《表4 漏洞类别分类结果：基于卷积神经网络的软件漏洞自动分类方法》
提示：宽带有限、当前游客访问压缩模式
将提出的Word2Vec-CNN模型与三个基线深度学习模型在漏洞类别的分类上进行了比较。比较结果如表4所示。
| 图表编号 | XD00174769400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.05.25 |
| 作者 | 刘烊侨、杨频、王炎 |
| 绘制单位 | 四川大学网络空间安全学院、四川大学网络空间安全学院、四川大学网络空间安全学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 4组实验结果对比：非均衡数据下基于卷积神经网络的专利文本自动分类研究》2020.09.30
- 《表2 混淆矩阵：基于卷积神经网络的软件漏洞自动分类方法》2020.05.25
- 《表1 数据样本：基于卷积神经网络的软件漏洞自动分类方法》2020.05.25
- 《表2 现有研究工作小结：基于机器学习的软件漏洞挖掘方法综述》2020.07.01
- 《表1 代码的表征形式：基于机器学习的软件漏洞挖掘方法综述》2020.07.01
- 《表1 心拍类别分布：基于金字塔卷积结构的深度残差网络心电信号分类方法研究》2020.08.25
- 《表1 各级测试指标分布：基于混合深度学习模型的网络服务软件漏洞挖掘方法》2020.07.15
- 《表5 算法能力分析：基于流量分析的软件升级漏洞自动检测方法》2020.02.15
- 《表4 权重信息：基于流量分析的软件升级漏洞自动检测方法》2020.02.15
- 《表1 测试环境说明：一种基于预警信息的漏洞自动化快速防护方法》2020.01.01
- 《表2 功能测试结果：一种基于预警信息的漏洞自动化快速防护方法》2020.01.01
- 《表3 性能测试结果：一种基于预警信息的漏洞自动化快速防护方法》2020.01.01
- 《表2 主机漏洞分类表：电力信息网络系统漏洞扫描分析》2019.04.28
- 《表7 心拍类别分布：基于判别式深度置信网络的心律失常自动分类方法》2019.06.25
- 《表1 心拍类别分布：基于判别式深度置信网络的心律失常自动分类方法》2019.06.25
- 《表1 TOP判别特征：基于激活漏洞能力条件的软件漏洞自动分类框架》2019.05.15
- 《表7 分类结果混淆矩阵：一种基于支持向量机的跨站脚本漏洞检测技术》2019.02.01
- 《表4 样本集分类：一种基于支持向量机的跨站脚本漏洞检测技术》2019.02.01
- 《表4 漏洞修复评分值：基于CVSS漏洞评分标准的网络攻防量化方法研究》2018.04.25
- 《表4 客观评价指标：基于深度卷积神经网络的细胞分类新方法》2019.12.31