技能接头 | 自动化Web渗出Payload提取技能

这些特性向量可否充实反应样本的非常性呢?我行使未调参的随机丛林模子举办验证，获得了大于95%精确率的功效，较量满足。下图是模子进修曲线，可以看出仍处于欠实习的状态，假如样本量更富裕的话将会获得更好的结果。

因为本文所述要领旨在行使无监视进修提取非常参数，并不消纠结于有监视分类的功效，只要验证了提取的特性简直可以反应出参数的非常性即可。

2. 非常参数值提取

获得参数值的非常分数下面的事变就简朴多了，首要就是：

• 数据的尺度化(Standardization)
• 按照阈值确定非常参数
• 按照非常分数在实习集矩阵的位置提取对应的参数值

这部门没有什么出格的逻辑，直接看代码吧：

if name == 'main': 
    x = np.load(f"../vectorize/paths/~tienda1~publico~registro.jsp_x.npy") 
    params = np.load(f"../vectorize/paths/~tienda1~publico~registro.jsp_params.npy") 
    with open(f"../vectorize/paths/~tienda1~publico~registro.jsp_samples.json", 'r') as sf: 
        samples = json.loads(sf.readline()) 
    #Standardization 
    ases = StandardScaler().fit_transform(x[:, :len(params)]) 
    indices = ases > 6 
    #extract anomalous payload 
    for s in range(indices.shape[0]): 
        for p in range(indices.shape[1]): 
            if indices[s, p] and params[p] in samples[s]['OriParams'].keys() and samples[s]['OriParams'][params[p]].strip(): 
                print(f"##{params[p]}## ##{samples[s]['OriParams'][params[p]]}##") 

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!