《表4 不同网络的性能对比》
为了验证混合模型的有效性,在最优参数下本文与不同的单模型深度学习网络进行了对比,分别对循环神经网络(recurrent neural network,RNN)、CNN、门控循环单元(gated recurrent unit,GRU)、LSTM、BiLSTM和本文所提出的混合模型CNN+BiLSTM进行了实验.实验从准确率、精确率、召回率和F1值4个指标对模型进行评价,共进行10次实验取平均值,实验结果如表4所示.从表4可以看出,不同模型的准确率均超过90%,作为精确率和召回率调和值的F1值指标均超过94%.CNN+BiLSTM混合模型准确率最高,达到98.8%,比CNN高2.5个百分点,比LSTM高0.9个百分点,比BiLSTM高1个百分点.在F1值指标上,本文所提方法也比其他模型表现更加良好,达到98.7%,比CNN高3.8个百分点,比LSTM高0.7个百分点,比BiLSTM高0.5个百分点.总的来说,这些都得益于混合模型有效地利用了CNN的卷积和池化操作来捕捉上下文相关信息产生汇编指令的特征表示,以及BiLSTM的时效性和对前后输入依赖关系的有效捕捉.
图表编号 | XD00124884300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.05 |
作者 | 杨频、潘岳镭、贾鹏、刘亮 |
绘制单位 | 四川大学网络空间安全学院、四川大学网络空间安全学院、四川大学网络空间安全学院、四川大学网络空间安全学院 |
更多格式 | 高清、无水印(增值服务) |