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(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,，其檢測結果彌補了現(xiàn)有檢測手段的漏報。
現(xiàn)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,。