《表8 本文方法与类似深度学习方法检测结果》
为了验证本文提出的检测方法相对于其他深度学习检测方法具有更好的检测性能,将本文方法与RNN、LSTM和门循环单元(gated recurrent unit,GRU)进行了对比实验,结果如表8和图11所示。可以看出,深度学习中常见的RNN、LSTM、GRU检测方法对跨站脚本攻击实现了良好的检测,但是相对于本文提出的BiLSTM检测方法,它们在准确率、召回率和F1值都有所欠缺。同时可以看到本文方法与其他三种方法相比具有最低的误报率(false positive rate,FPR)。图12绘制了四种方法的ROC曲线(receiver operating characteristic curve),并计算出AUC(area under the curve)值。可以看出,Bi LSTM网络比单向的RNN、LSTM、GRU网络更适用于跨站脚本检测。
图表编号 | XD00165389500 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) |