《表5 三种方法准确率对比》

  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

《基于大小突发块划分的微信支付行为识别模型》

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

单位：%

为了验证所提方法的有效性，将从两方面入手。首先是选用5种经典的机器学习算法来验证所提方法的算法普适性，算法分别是随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）、K最近邻（K-Nearest Neighbor，KNN）、C4.5决策树和XGBoost，所有算法采用默认参数（每种算法都可对参数进一步调优，从而得到更好的识别率。实验中皆采用默认参数，旨在验证所提方法可应用于多个已有算法，而不仅仅只针对具体的算法。实验中采用的默认参数为weka[21]的推荐参数，已进行过初步优化，感兴趣的读者可对具体方法进行深度的优化），训练集均采用十折交叉验证，每个实验重复10次，结果取平均值。第二个方面是为了验证所提方法的识别率，将与现有研究工作进行对照实验。选择了文献[5]与文献[3]中的研究方法，文献[5]中通过划分突发流量块来识别表2中的每个单操作，进而识别红包与转账的行为与次数，其研究目标与本实验相同。文献[3]对微信中通信协议进行研究，基于流的层面来提取特征和识别行为，当前多数研究工作都是基于流的层面来识别行为。最终的实验结果如表5。