《表5 三种方法准确率对比》
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。
图表编号 | XD00163202300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.10 |
作者 | 梁登高、周安民、郑荣锋、刘亮、丁建伟 |
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、四川大学电子信息学院、四川大学网络空间安全学院、中国电子科技集团公司第三十研究所保密通信重点实验室 |
更多格式 | 高清、无水印(增值服务) |