为检验在https协议上的实效性，咱们相同须要利用模本提取和svm算法，全过程与上一个试验相同，这儿就不会再详解。咱们直接看检验结论，将咱们的方式 与其它2种方式 开展比照，一个是Niu等[6]的方式 ，选用的是XGBoost优化算法实体模型；另一种是Ogawa等[7]的方式 ，运用k-means加SVM的实体模型方式。其它2种方式 在优化算法流程上的复杂性全是高过这篇文章的决策树的。但本方式 的检验特性更为出色，不但证实了本方式 的实效性，还能在相应水平上表现出这篇文章指出的特性的确可以体现Cobalt Strike通信和常规通信实质差别的优点。

这篇文章运用人工智能来检验隐敝Cobalt Strike，在其中关键工作中实际上并没有人工智能优化算法的创建上。反而是放到了模本解析和特性制定上。模本和特性决策了人工智能实体模型的限制，这一点，在自然语言处理领域是非常合理的。这篇文章的检验方案，关键利用了那样某些环节：

1．假定，假定正负模本在哪几个方面可以存有差别；

2．检验，在正负模本集上利用数据分析的方式 可以检验假定；

3．逻辑回归模型，制定可以体现出这种差别的特性，并熟练掌握迅速挑选特性的方式 ；

4．实体模型，挑选适宜的自然语言处理优化算法实现实体模型的创建。

在这里全部全过程中，模本的解析基本上占到了这一工作中的七十%，逻辑回归模型占据30%，真真正正在人工智能优化算法方面的工作中用时反倒较少。缘故是，现阶段有很多的人工智能优化算法开源代码模块可储存，超参数的调节也是有许多全自动的方式 ，运用人工智能优化算法的门坎急剧下降。后边的系列短文中，咱们将详细介绍某些AutoML的方式 。但是，很有可能会出现阅读者会出现那样的疑惑，如今深度神经网络，神经网络算法并非很强大了吗，这种优化算法不需要数据预处理这一步，为什么作者不考虑到使用这种优化算法。深度神经网络咱们的确尝试过使用，但在这篇文章的情景下，它的实际效果不比决策树好是多少，反倒繁杂的优化算法全过程降低了模本的检验效率。此外，深度神经网络优化算法在样本数规模极大和特性层面高时才具有优点。

另外，深度神经网络优化算法在特性种类单一化的情形下，能更好的充分发挥它的优点，如识别图片中，特性便是一个个的像素数。将这种键入到深度神经网络实体模型中，并不一定考虑到数据预处理的流程。但在Cobalt Strike通信的鉴别情景，特性种类不稳定，数据文件荷载，数据文件长短编码序列，长短分布等这种特性，都可能是有用的特性，现阶段还没一种优化算法可以研讨式地制定这种特性，而这种工作中现阶段或是仅有权威人物来负责。也就是说，真真正正就是的人工智能实体模型，也有较长较长的路要走。但若熟练掌握了这篇文章的统计分析方法，运用人工智能技术到各种业务场景已并非难题，在这里与大伙儿共同进步。