基于深度学习的Webshell检测

摘要：

以AWD攻防中Webshell检测为背景,在超空间利用模糊C均值聚类分析发现了攻击向量全局稀疏、局部紧密的特点,提出了2种深度学习模型.由于GitHub收集的攻击行为多为随机获取,没有很好的针对性,所以对训练数据的长度进行了限制,并保留了有限的相关样本数量.由于一次攻击与相邻的2～4次操作紧密相关,而且攻击向量垂直方向关联特征明显,水平方向相对稳定,考虑到特征向量在传递过程中规模会减小,增加了卷积层的补零选项.针对深度学习训练曲线中的锯齿振荡现象,证明了Adam优化算法的快速计算公式,并修正了学习参数,不断消除了训练的Loss曲线中的锯齿,使得训练曲线按照指数规律平滑下降,迅速得到需要的训练结果.将目前已有的类似工作与提出的2种深度学习模型进行对比.实验结果表明,提出的的深度学习模型能够很好地检测出AWD中的Webshell攻击.

关键词：深度学习、Web安全、Webshell

所属期刊栏目：44

分类号：TP393.08(计算技术、计算机技术)

资助基金：国家自然科学基金31870532

在线出版日期：2022-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：994-1002