《表3 3种模型下得到的Fβ》
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。
图表编号 | XD00139595700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.10 |
作者 | 罗扶华、张爱新 |
绘制单位 | 上海交通大学网络空间安全系、上海交通大学网络空间安全系 |
更多格式 | 高清、无水印(增值服务) |