信息安全最新文章

基于Boosting集成學習的風險URL檢測研究

隨著互聯(lián)網(wǎng)的不斷發(fā)展，網(wǎng)站數(shù)量不斷增長，URL作為訪問網(wǎng)站的唯一入口，成為Web攻擊的重點對象。傳統(tǒng)的URL檢測方式主要是針對惡意URL，主要方法是基于特征值和黑白名單，容易產(chǎn)生漏報，且對于復雜URL的檢測能力不足。為解決上述問題，基于集成學習中的Boosting思想，提出一種針對業(yè)務訪問的風險URL檢測的混合模型。該模型前期將URL作為字符串，使用自然語言處理技術對其進行分詞及向量化，然后采用分步建模法的思想，首先利用GBDT算法構建二分類模型，判斷URL是否存在風險，接著將風險URL原始字符串輸入到多分類模型中，利用XGBoost算法對其進行多分類判定，明確風險URL的具體風險類型，為安全分析人員提供參考。在模型構建過程中不斷進行參數(shù)調(diào)優(yōu)，并采用AUC值和F1值分別對二分類模型和多分類模型進行評估，評估結(jié)果顯示二分類模型的AUC值為98.91%，多分類模型的F1值為0.993，效果較好。將其應用到實際環(huán)境中，與現(xiàn)有檢測手段進行對比，發(fā)現(xiàn)模型的檢出率高于現(xiàn)有WAF和APT安全設備，其檢測結(jié)果彌補了現(xiàn)有檢測手段的漏報。

發(fā)表于：7/29/2024