基于残差网络和GRU的XSS攻击检测方法

• 作者: 林雍博 凌捷
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: XSS攻击检测 深度学习 卷积神经网络(CNN) ResNet 门控循环单元(GRU)
• 年，卷（期）: 2022,（10）
• 所属期刊栏目: 网络、通信与安全|Network, Communication and Security
• 页码范围: 101-107
• 页数: 7页
• 分类号: TP309
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2012-0456

摘要

传统的XSS攻击及其漏洞检测方法在面对多样化的攻击payload时其效果难以令人满意,需要大量人工参与,具有较大的主观性;而如CNN、RNN等深度学习方法只能单一地学习数据样本的空间特征或时序特征.提出一种基于残差网络和GRU的XSS攻击检测方法,在CNN基础上引入残差框架并与GRU相结合来学习数据的时空特征,且通过利用dropout来提高模型的泛化能力.面对日益复杂多变的XSS payload,参考字符级卷积建立一个字典对数据样本进行编码,从而保留了原始数据的特征并提高了整体的效率,再转化为二维空间矩阵,使得其满足CNN的输入要求.在Github数据集上的实验结果表明,该方法的准确率为99.92％,误报率为0.02％,相比于DNN方法的准确率提高11.09个百分点、误报率降低3.95个百分点,且其他评价指标均优于GRU、CNN等对比方法.