《表6 不同分类器下的准确率》
本文还与部分机器学习算法包括:Bagging_knn、多层感知器(Multi-Layer Perception,MLP)、决策树(Tree)、Logist(Logistic回归)进行分类比较,结果如表6所示。从表6中可以看出,随机森林在本文提出的方法上相比大多数机器学习算法而言,具有更高的准确度和多数据处理能力。本文还将实现的分类器进行测试训练,其中训练样本和测试样本的比例为7∶3,最后得到的分类器对9类样本进行分类时能达到85%的准确率,表明本文提出的方法是可行的。在分类准确率为85%的情况下,对单一的样本检测情况进行了研究,结果如表7所示,可以看到,一般样本的准确率都在80%左右,其中木马类样本分类准确率一般都在80%以下,证明木马类样本存在较高的相似度,容易产生混淆;但非木马类样本的准确率相对较高,和其他类样本不易产生混淆,在本文提出的方法下也更易区分。
图表编号 | XD0090232100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.10 |
作者 | 郎大鹏、丁巍、姜昊辰、陈志远 |
绘制单位 | 哈尔滨工程大学计算机科学与技术学院、中国科学院信息工程研究所中国科学院网络测评技术重点实验室、哈尔滨工程大学计算机科学与技术学院、哈尔滨工程大学计算机科学与技术学院、哈尔滨工程大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |