《表4 JavaScript数据集上机器学习分类器和CNN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

《基于卷积神经网络的JavaScript恶意代码检测方法》

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

选择机器学习算法平台WEKA中的7种机器学习分类算法对代码示例数据集进行训练和分类。并采用十折交叉验证（10-Fold cross-validation）的验证方法，将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行实验。将10次的结果数据的平均值作为实验结果，机器学习和CNN模型实验结果如表4所示。从表4可以看出，机器学习算法分类中Random Forest对恶意样本检测比其他6个机器学习算法实现了较好检测，达到98.78%，但与CNN相比，对恶意脚本检测的准确率以及误判率都没CNN好。CNN对恶意样本的检测准确率为98.9%，而误判率仅1.1%。较次之的AdaBoost算法对恶意样本的检测准确率和误判率虽然不是最高，但相对其他机器学习算法较稳定。机器学习分类算法中对恶意样本检测最差的是Na?ve Bayes，只有79.93%的准确率且误判率7.5%也相对较高。综上所述，与其他7类机器学习算法相比，使用半监督学习的CNN更适合对恶意脚本数据的检测，CNN模型明显优于其他传统机器学习的检测模型。