本書內容充實、實用性強，可作為高職高專院校計算機軟件軟件測試技術課程的教材，也可作為有關軟件測試的培訓教材，對從事軟件測試實際工作的相關技術人員也具有一定的參考價值。目錄前言第1章軟件測試基本知識第2章測試計劃第3章測試設計和開發第4章執行測試第5章測試技術與應用第6章軟件測試工具第7章測試文檔實例附錄IEEE模板參考文獻軟件測試技術圖書3基本信息書號：軟件測試技術7-113-07054作者：李慶義定價：出版日期：套系名稱：21世紀高校計算機應用技術系列規劃教材出版單位：**鐵道出版社內容簡介本書主要介紹軟件適用測試技術。內容分為三部分，***部分為概念基礎、測試理論的背景及發展，簡要地分析了當前測試技術的現狀；第二部分介紹軟件測試的程序分析技術、測試技術，軟件測試的方法和策略，分析了軟件業在測試方面的研究成果，并總結了測試的基本原則和一些好的實踐經驗；第三部分介紹了兩種測試工具軟件——基于Windows的WinRunner和服務器負載測試軟件WAS。本書結合實際，從一些具體的實例出發，介紹軟件測試的一些基本概念和方法，分析出軟件測試的基本理論知識，適用性比較強。覆蓋軟件功能與性能的多維度檢測方案設計與實施！cma和國家軟件認證

    比黑盒適用性廣的優勢就凸顯出來了。[5]軟件測試方法手動測試和自動化測試自動化測試，顧名思義就是軟件測試的自動化，即在預先設定的條件下運行被測程序，并分析運行結果。總的來說，這種測試方法就是將以人驅動的測試行為轉化為機器執行的一種過程。對于手動測試，其在設計了測試用例之后，需要測試人員根據設計的測試用例一步一步來執行測試得到實際結果，并將其與期望結果進行比對。[5]軟件測試方法不同階段測試編輯軟件測試方法單元測試單元測試主要是對該軟件的模塊進行測試，通過測試以發現該模塊的實際功能出現不符合的情況和編碼錯誤。由于該模塊的規模不大，功能單一，結構較簡單，且測試人員可通過閱讀源程序清楚知道其邏輯結構，首先應通過靜態測試方法，比如靜態分析、代碼審查等，對該模塊的源程序進行分析，按照模塊的程序設計的控制流程圖，以滿足軟件覆蓋率要求的邏輯測試要求。另外，也可采用黑盒測試方法提出一組基本的測試用例，再用白盒測試方法進行驗證。若用黑盒測試方法所產生的測試用例滿足不了軟件的覆蓋要求，可采用白盒法增補出新的測試用例，以滿足所需的覆蓋標準。其所需的覆蓋標準應視模塊的實際具體情況而定。成都軟件驗收測試定制隱私合規檢測確認用戶數據加密符合GDPR標準要求。

    2）軟件產品登記測試流程材料準備并遞交------實驗室受理------環境準備------測試實施------輸出報告------通知客戶------繳費并取報告服務區域北京、上海、廣州、深圳、重慶、杭州、南京、蘇州等**各地軟件測試報告|軟件檢測報告以“軟件質量為目標，貫穿整個軟件生命周期、覆蓋軟件測試生命周期”的**測試服務模式，真正做到了“軟件測試應該越早介入越好的原則”，從軟件生命周期的每一個環節把控軟件產品質量；提供軟件產品質量度量依據，提供軟件可靠性分析依據。軟件成果鑒定測試結果可以作為軟件類科技成果鑒定的依據。提供功能、性能、標準符合性、易用性、安全性、可靠性等專項測試服務。科技項目驗收測試報告及鑒定結論,可以真實反映指標的技術水平和市場價值,有助于項目成交和產品營銷。

    特征之間存在部分重疊，但特征類型間存在著互補，融合這些不同抽象層次的特征可更好的識別軟件的真正性質。且惡意軟件通常偽造出和良性軟件相似的特征，逃避反**軟件的檢測，但惡意軟件很難同時偽造多個抽象層次的特征逃避檢測。基于該觀點，本發明實施例提出一種基于多模態深度學習的惡意軟件檢測方法，以實現對惡意軟件的有效檢測，提取了三種模態的特征(dll和api信息、pe格式結構信息和字節碼3-grams)，提出了通過前端融合、后端融合和中間融合這三種融合方式集成三種模態的特征，有效提高惡意軟件檢測的準確率和魯棒性，具體步驟如下：步驟s1、提取軟件樣本的二進制可執行文件的dll和api信息、pe格式結構信息以及字節碼n-grams的特征表示，生成軟件樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖；統計當前軟件樣本的導入節中引用的dll和api，提取得到當前軟件樣本的二進制可執行文件的dll和api信息的特征表示。對當前軟件樣本的二進制可執行文件進行格式結構解析，并按照格式規范提取**該軟件樣本的格式結構信息，得到該軟件樣本的二進制可執行文件的pe格式結構信息的特征表示。功能完整性測試發現3項宣傳功能未完全實現。

    這種傳統方式幾乎不能檢測未知的新的惡意軟件種類，能檢測的已知惡意軟件經過簡單加殼或混淆后又不能檢測，且使用多態變形技術的惡意軟件在傳播過程中不斷隨機的改變著二進制文件內容，沒有固定的特征，使用該方法也不能檢測。新出現的惡意軟件，特別是zero-day惡意軟件，在釋放到互聯網前，都使用主流的反**軟件測試，確保主流的反**軟件無法識別這些惡意軟件，使得當前的反**軟件通常對它們無能為力，只有在惡意軟件大規模傳染后，捕獲到這些惡意軟件樣本，提取簽名和更新簽名庫，才能檢測這些惡意軟件。基于數據挖掘和機器學習的惡意軟件檢測方法將可執行文件表示成不同抽象層次的特征，使用這些特征來訓練分類模型，可實現惡意軟件的智能檢測，基于這些特征的檢測方法也取得了較高的準確率。受文本分類方法的啟發，研究人員提出了基于二進制可執行文件字節碼n-grams的惡意軟件檢測方法，這類方法提取的特征覆蓋了整個二進制可執行文件，包括pe文件頭、代碼節、數據節、導入節、資源節等信息，但字節碼n-grams特征通常沒有明顯的語義信息，大量具有語義的信息丟失，很多語義信息提取不完整。此外，基于字節碼n-grams的檢測方法提取代碼節信息考慮了機器指令的操作數。自動化測試發現7個邊界條件未處理的異常情況。大連軟件測評

代碼質量評估顯示注釋覆蓋率不足30%需加強。cma和國家軟件認證

    坐標點(0,1)**一個完美的分類器，它將所有的樣本都正確分類。roc曲線越接近左上角，該分類器的性能越好。從圖9可以看出，該方案的roc曲線非常接近左上角，性能較優。另外，前端融合模型的auc值為。(5)后端融合后端融合的架構如圖10所示，后端融合方式用三種模態的特征分別訓練神經網絡模型，然后進行決策融合，隱藏層的***函數為relu，輸出層的***函數是sigmoid，中間使用dropout層進行正則化，防止過擬合，優化器(optimizer)采用的是adagrad，batch_size是40。本次實驗使用了80％的樣本訓練，20％的樣本驗證，訓練50個迭代以便于找到較優的epoch值。隨著迭代數的增加，后端融合模型的準確率變化曲線如圖11所示，模型的對數損失變化曲線如圖12所示。從圖11和圖12可以看出，當epoch值從0增加到5過程中，模型的訓練準確率和驗證準確率快速提高，模型的訓練對數損失和驗證對數損失快速減少；當epoch值從5到50的過程中，前端融合模型的訓練準確率和驗證準確率小幅提高，訓練對數損失和驗證對數損失緩慢下降；綜合分析圖11和圖12的準確率和對數損失變化曲線，選取epoch的較優值為40。確定模型的訓練迭代數為40后，進行了10折交叉驗證實驗。cma和國家軟件認證