《表2 性能指标：基于CNN的SQL注入检测》
提示：宽带有限、当前游客访问压缩模式
如表2和图3所示，正确率、精确率、召回率、F1和AUC均高于0.999，这些数据表明模型的分类性能非常出色，ROC曲线近似矩形。
| 图表编号 | XD00133945200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.02.12 |
| 作者 | 谢鑫、任春辉、陈新宇 |
| 绘制单位 | 电子科技大学、电子科技大学、电子科技大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 数据列搜索结果：基于Python的SQL注入攻击分析与实施》2021.02.01
- 《表2 各指标权重数值：基于改进Mask R-CNN的泳池溺水行为检测系统设计》2021.01.20
- 《表2 不同模型性能对比：基于Faster R-CNN的服装目标检测改进方法》2020.04.15
- 《表4 相关参数值：SQL注入行为实时在线智能检测技术研究》2020.08.25
- 《表2 脚本示例：SQL注入行为实时在线智能检测技术研究》2020.08.25
- 《表1 混淆矩阵：基于CNN的SQL注入检测》2020.02.12
- 《表1 管理员用户表：基于PHP+MySQL的用户登录系统SQL注入实例及防范》2019.12.05
- 《表1 SQL注入的时机：基于B/S系统的SQL注入防御技术研究》2020.01.01
- 《表1 威胁等级判断：基于语义分析的SQL注入行为检测方案研究》2019.11.01
- 《表2 漏洞扫描数据：基于Web的SQL注入漏洞扫描系统的设计研究》2019.08.20
- 《表1 网站安全等级：基于Web的SQL注入漏洞扫描系统的设计研究》2019.08.20
- 《表2 测试环境：基于随机森林的SQL注入识别算法研究》2019.08.10
- 《表1 指标统计表：基于CNN的SAR车辆目标检测》2019.04.01
- 《表2 SQL注入防护的对比测试结果》2019.01.15
- 《表1 SQL注入攻击类型》2019.11.10
- 《表3 漏洞分布：基于机器学习的SQL注入漏洞挖掘技术的分析与实现》2019.11.10
- 《表4 性能表现：基于机器学习的SQL注入漏洞挖掘技术的分析与实现》2019.11.10
- 《表2 仿真结果：基于机器学习的SQL注入漏洞挖掘技术的分析与实现》2019.11.10
- 《表1 实验环境：基于LSTM神经网络的SQL注入攻击检测研究》2019.12.01
- 《表2 混淆矩阵：基于LSTM神经网络的SQL注入攻击检测研究》2019.12.01