《表3 不同检测方法检测结果统计表》

  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

《基于文本向量的php-webshell检测方法》

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

由表3可以看出本文所提出的基于文本向量的检测方法在关键指标，f1得分和准确率上，高于其他的检测方法，其中，相较于传统的基于正则匹配的静态检测方法，其准确率提高了9.65%，f1得分提高了9.38%；由表2和表3可知，当采用本文所提出的文本向量特征作为输入时，数据集在所有种类的机器学习分类算法上的检测效果都要比采用以人工特征提取法提取到的特征作为输入时更好，其中，与朴素贝叶斯分类算法相比，f1得分提升最多，提升了17.09%，与支持向量机分类算法相比，其准确率提升最多，提升了6.91%；由表1和表3可知，相较于文献11，当使用XGBoost算法是，采用本文所提出的文本向量做为输入特征的检测效果要优于人工特征，准确率提高了3.89%，f1得分提高了3.33%。