《表2 网络恶意代码误报个数对比》
提示：宽带有限、当前游客访问压缩模式
根据上述设计的对比实验步骤，采集5组实验数据，将两种分析方法下的网络恶意代码误报个数进行对比，网络恶意代码误报个数对比结果，如表2所示。
| 图表编号 | XD00172459300 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.25 |
| 作者 | 孟庆春 |
| 绘制单位 | 郑州工业应用技术学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 交叉有效性检验：基于级联与深度信念网络的恶意代码分层检测》2020.07.16
- 《表1 恶意代码类别：计算机恶意代码的检测与查杀》2020.12.25
- 《表2 恶意代码家族数据集组成》2020.12.15
- 《表3 模型检测结果对比：基于CNN-BiLSTM的恶意代码家族检测技术》2020.12.15
- 《表1 网络代码样本参数：基于N-gram特征的网络恶意代码分析方法》2020.03.25
- 《表1 恶意代码数据集：一种基于深度森林的恶意代码分类方法》2020.05.01
- 《表2 分类结果对比：基于属性数据流图的恶意代码家族分类》2020.03.05
- 《表3 样本分布：基于API序列和卷积神经网络的恶意代码检测》2020.03.05
- 《表2 函数相似度对比：基于API序列和卷积神经网络的恶意代码检测》2020.03.05
- 《表1 API去重：基于API序列和卷积神经网络的恶意代码检测》2020.03.05
- 《表2 恶意代码特征数据集》2020.02.01
- 《表3 实验对比结果：一种基于词向量的恶意代码分类模型》2020.03.20
- 《表1 数据集样本大小：自编码网络在JavaScript恶意代码检测中的应用研究》2019.12.01
- 《表2 数据集样本大小：基于卷积神经网络的JavaScript恶意代码检测方法》2019.09.15
- 《表1 IP地址分配：基于恶意代码的网络行为分析与识别研究》2019.08.01
- 《表2 数据采集：基于恶意代码的网络行为分析与识别研究》2019.08.01
- 《表3 检测性能对比：一种基于图像感知哈希的海量恶意代码分类方法》2019.06.01
- 《表2 恶意代码样本数据集》2019.06.01
- 《表1 实验结果：基于汇编指令词向量与卷积神经网络的恶意代码分类方法研究》2019.04.10
- 《表4 对比测试结果：基于操作码的安卓恶意代码多粒度快速检测方法》2019.12.15