| 基于Boosting集成學習的風險URL檢測研究 | |
| 所屬分類：技術論文 | |
| 上傳者：wwei | |
| 文檔大?。?span>3172 K | |
| 標簽： Web攻擊 集成學習 正則化 | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：隨著互聯網的不斷發展，網站數量不斷增長，URL作為訪問網站的唯一入口，成為Web攻擊的重點對象。傳統的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調優，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。將其應用到實際環境中，與現有檢測手段進行對比，發現模型的檢出率高于現有WAF和APT安全設備，其檢測結果彌補了現有檢測手段的漏報。 | |
| 現在下載 | |
| VIP會員，AET專家下載不扣分；重復下載不扣分，本人上傳資源不扣分。 | |
Copyright ? 2005-2024 華北計算機系統工程研究所版權所有 京ICP備10017138號-2