《表6 实验结果：基于机器学习的恶意命令检测方法》
提示：宽带有限、当前游客访问压缩模式
实验采用同1.3节相同的算法和参数，将70%的数据用作训练集，剩下30%作为测试集。最终结果如表6所示。实验结果表明，基于频率和知识的方法具有良好的检测能力。
| 图表编号 | XD00196906700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.11.10 |
| 作者 | 左自清、施勇、薛质 |
| 绘制单位 | 上海交通大学、上海交通大学、上海交通大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 实验环境：代码向量深度学习的恶意Android应用检测方法》2021.02.05
- 《表5 实验结果：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表2 实验环境：基于特征生成方法的Android恶意软件检测方法》2020.11.10
- 《表4 修改后的组块示例：基于机器学习的恶意命令检测方法》2020.11.10
- 《表5 基于知识的特征：基于机器学习的恶意命令检测方法》2020.11.10
- 《表1 文本向量化示例：基于机器学习的恶意命令检测方法》2020.11.10
- 《表7 各分类器实验结果：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表6 分类结果混淆矩阵：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表4 实验数据集切分：基于集成学习投票算法的Android恶意应用检测》2020.11.15
- 《表2 实验数据：基于深度学习的工业恶意流量检测》2019.12.01
- 《表1 TLS特征：基于机器学习的TLS恶意加密流量检测方案》2020.02.15
- 《表1 数据示例：基于机器学习的恶意URL识别》2020.02.10
- 《表3 机器学习算法应用：基于图像分析的恶意软件检测技术研究》2019.10.10
- 《表3 算法准确率比较：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表1 训练样本情况表：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表2 模型测试结果：一种基于行为集成学习的恶意代码检测方法》2019.08.01
- 《表5 实验结果对比：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表4 实验对比表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表3 实验对比表：基于集成学习的安卓恶意程序检测技术》2019.08.01
- 《表2 算法增量学习性能：基于改进SOINN算法的恶意软件增量检测方法》2019.12.15