《表7 本文方法与机器学习方法的检测结果》
为了验证本文提出的检测方法性能要优于传统机器学习算法,且因文献[9]所使用的数据集与本文的数据集都来源于相同数据库,所以将本文提出的检测方法与文献[9]中的ADTree、AdaBoost检测方法进行对比。ADTree分类器是一种基于Boosting的决策树学习算法,它的分类性能要优于其他决策树。AdaBoost针对同一个训练集训练多个弱分类器,然后将弱分类器集合成一个强分类器,分类性能更优。同时,为了增加对比性,本文选择XSS检测中常用的SVM(support vector machine)分类器进行对比实验,SVM是一种按监督学习方式对数据进行二元分类的广义线性分类器。实验中,运用了sklearn中的SVM算法对代码样本进行分类。实验结果如表7和图10所示。可以看出,ADTree、AdaBoost准确率分别为93.8%和94.2%,SVM准确率为98.9%,而本文所提出的方法准确率高达99.7%,召回率高达98.1%,F1值高达98.7%,性能明显要优于ADTree、Ada Boost、SVM这些传统机器学习算法。
图表编号 | XD00165389400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 程琪芩、万良 |
绘制单位 | 贵州大学计算机科学与技术学院、贵州大学计算机软件与理论研究所、贵州大学计算机科学与技术学院、贵州大学计算机软件与理论研究所 |
更多格式 | 高清、无水印(增值服务) |