《表3 3种模型下得到的Fβ》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的僵尸网络检测技术研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表3和表4可以看出，在单独学习一个特征的情况下，模型A的表现相对优于模型B，30轮训练后模型A的Fβ值为0.988，模型B的Fβ值则为0.973，说明空间特征能更好地反映网络流量特性，而同时使用时空特征的模型C的性能比模型A和模型B均有明显提升，30轮训练后Fβ值达到0.997，FPR为0.012。综上所述，在检测僵尸网络流量时，利用CNN和LSTM提取出来的二维特征相比单一特征，能更好地反映网络流量的特性，具有更高的准确率和更低的误报率。