《表5 最优参数的设置：基于Bi-IndRNN的恶意URL分析与检测》
提示：宽带有限、当前游客访问压缩模式
模型参数的设置对于恶意URL检测的效果起着至关重要的作用，本文在大量的实验基础上得到最优参数的设置，如下表5所示.
| 图表编号 | XD0044681300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.05.01 |
| 作者 | 王欢欢、田生伟、禹龙、彭咏芳、裴新军 |
| 绘制单位 | 新疆大学软件学院、新疆大学软件学院、新疆大学网络中心、新疆大学软件学院、新疆大学信息科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 测试结果：基于链路监控的SDN恶意流量检测与防御》2020.02.01
- 《表5 基于深度学习的Android恶意软件检测工作效果互相对比统计表(%)》2020.09.01
- 《表1 恶意仿冒URL样例》2020.07.16
- 《表5 实验结果：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表5 基于知识的特征：基于机器学习的恶意命令检测方法》2020.11.10
- 《表1 模型参数：基于CNN-BiLSTM的恶意代码家族检测技术》2020.12.15
- 《表2 仿真参数设置：车联网环境下基于重复博弈的恶意车辆节点检测机制》2020.05.01
- 《表1 数据示例：基于机器学习的恶意URL识别》2020.02.10
- 《表2 恶意URL分类模型的特征》2020.02.10
- 《表3 超参数设置：基于特征提取的恶意软件行为及能力分析方法研究》2019.12.10
- 《表3 模型参数设置：基于汇编指令词向量特征的恶意软件检测研究》2020.02.05
- 《表3 机器学习算法应用：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表1 图像分析方法总结：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表5 其他算法应用：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表5 应用程序分组结果：一种基于元信息的Android恶意软件检测方法》2019.10.01
- 《表5 最终模型算法比较：基于统计学特征的Android恶意应用检测方法》2019.08.01
- 《表3 分类评价参数列表：基于软件基因的Android恶意软件检测与分类》2019.06.01
- 《表5 实验结果对比：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表4 实验环境：基于Bi-IndRNN的恶意URL分析与检测》2019.05.01
- 《表3 本文提出的恶意URL检测方案与其他方案的对比Tab.3 The malicious URL detection scheme proposed in this paper is compared with other schemes》2019.01.01