基于Boosting集成學(xué)習(xí)的風(fēng)險(xiǎn)URL檢測(cè)研究
所屬分類：技術(shù)論文
上傳者：wwei
文檔大小：3172 K
標(biāo)簽： Web攻擊 集成學(xué)習(xí) 正則化
所需積分：0分積分不夠怎么辦？
文檔介紹：隨著互聯(lián)網(wǎng)的不斷發(fā)展，網(wǎng)站數(shù)量不斷增長(zhǎng)，URL作為訪問網(wǎng)站的唯一入口，成為Web攻擊的重點(diǎn)對(duì)象。傳統(tǒng)的URL檢測(cè)方式主要是針對(duì)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(bào)，且對(duì)于復(fù)雜URL的檢測(cè)能力不足。為解決上述問題，基于集成學(xué)習(xí)中的Boosting思想，提出一種針對(duì)業(yè)務(wù)訪問的風(fēng)險(xiǎn)URL檢測(cè)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(shù)對(duì)其進(jìn)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(gòu)建二分類模型，判斷URL是否存在風(fēng)險(xiǎn)，接著將風(fēng)險(xiǎn)URL原始字符串輸入到多分類模型中，利用XGBoost算法對(duì)其進(jìn)行多分類判定，明確風(fēng)險(xiǎn)URL的具體風(fēng)險(xiǎn)類型，為安全分析人員提供參考。在模型構(gòu)建過程中不斷進(jìn)行參數(shù)調(diào)優(yōu)，并采用AUC值和F1值分別對(duì)二分類模型和多分類模型進(jìn)行評(píng)估，評(píng)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(yīng)用到實(shí)際環(huán)境中，與現(xiàn)有檢測(cè)手段進(jìn)行對(duì)比，發(fā)現(xiàn)模型的檢出率高于現(xiàn)有WAF和APT安全設(shè)備，其檢測(cè)結(jié)果彌補(bǔ)了現(xiàn)有檢測(cè)手段的漏報(bào)。
現(xiàn)在下載
VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。