《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》
提示：宽带有限、当前游客访问压缩模式
基于相同的数据集，本文与该方法进行了对比测试，将该方法最优成绩与本文方法最优成绩进行对比，测试结果如表4所示。
| 图表编号 | XD008719800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.15 |
| 作者 | 张雪涛、孙蒙、王金双 |
| 绘制单位 | 陆军工程大学指挥控制工程学院、陆军工程大学指挥控制工程学院、陆军工程大学指挥控制工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 恶意代码样本脱壳测试结果》2020.02.01
- 《表2 测试环境配置：Docker技术在恶意代码检测环境部署中的应用》2020.09.20
- 《表3 分类结果混淆矩阵：代码向量深度学习的恶意Android应用检测方法》2021.02.05
- 《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4 模型运行时间对比：基于LightGBM的以太坊恶意账户检测方法》2020.04.10
- 《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 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 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1 4 相关方法对比：一种基于元信息的Android恶意软件检测方法》2019.10.01
- 《表1 缺陷检测统计：一种基于日期码的快速缺陷检测算法》2019.06.01
- 《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 配置信息表：基于集成学习的安卓恶意程序检测技术》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