《表7 本文方法与机器学习方法的检测结果》

  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

《BiLSTM在跨站脚本检测中的应用研究》

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

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。