《表6 机器学习方法与检测模型的性能》
为了验证与机器学习方法[17]相比,检测模型性能更好,本文使用朴素贝叶斯(Naive Bayesian)、交替决策树(alternating decision tree,ADTree)、自适应提升算法(adaptive boosting,AdaBoost)、随机森林(Random Forest)、支持向量机(support vector machine,SVM)这5中常见的机器学习方法对实验收集的数据集进行训练和测试,实验结果和本文检测模型的结果对比见表6。可以看出,Random Forest的准确率达到98.93%,误报率低至0.28%,漏报率低至2.63%,在5种机器学习方法中表现最好,Na6ve Bayes表现最差,具有较高的误报率和漏报率。与这5种机器学习方法相比,本文方法明显具有更优的检测性能,同时相比较人工提取特征,本文检测模型自动学习特征的方式更适合跨站脚本检测,大大降低了人力成本。
图表编号 | XD00206709000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.16 |
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) |