《表6 机器学习方法与检测模型的性能》

  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

《改进编码-解码框架下的跨站脚本检测》

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。