《表8 本文方法与类似深度学习方法检测结果》

  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。