基于深度学习的恶意URL检测算法研究与设计
发布时间：2021-08-25 10:43
近些年来,随着Web攻击的不断进化,许多网络应用都在遭受着形式各异的安全威胁和网络攻击,越来越多的安全漏洞频出,传统的网络安全检测正在逐步暴露出缺陷,这就迫切地需要一种新型的能够准确检测网络攻击的方法,因此将深度学习用于网络攻击检测已成为热门研究领域之一。首先,本文通过研究现有的恶意URL检测技术,将深度学习方法应用到URL攻击行为识别方面,设计了基于关键字的用于恶意URL检测的神经网络模型。该模型利用从安全厂商处获取的数据集,结合词嵌入技术和URL中的恶意关键字,用卷积神经网络进行URL的特征抽取,并且使用GRU进行时间维度上的特征捕获。实验证明,本文提出的检测模型能够得到高精度的多分类结果。其次,本文还提出了基于剪枝压缩的模型更新算法,能够同时对网络模型的参数和结构进行更新,且使用CNN剪枝和SVD去除模型的冗余连接,以动态更新模型结构,与传统的模型更新算法相比提高了神经网络的泛化能力,具有更好的分类效果。最后,为了将检测模型用于实际的网络安全防护中,本文设计并实现了一套用于恶意URL的可视化检测系统。为了验证检测系统的性能,本文搭建仿真环境对系统进行测试分析,结果表明检测系统的准...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图３－１恶意ＵＲＬ检测神经网络体系结构??３．２．１基于关键字的ＵＲＬ词嵌入??ＵＲＬ，ＵＲＬ
本文提出的的检测模型主要思想是基于ＧＲＵ单元实现的，ＧＲＵ相比??ＬＳＴＭ复杂的三个门限，ＧＲＵ只有两个门，即更新门和复位门，在保持了?ＬＳＴＭ??效果的同时又精简了结构，ＧＲＵ单元如图３－２所示。??ｒ￣ｖ?１??￣￣￣?，ｎ???－ＯＵＴ??图３－２?ＧＲＵ单元结构??其中ＧＲＵ中的复位门和更新门能够独立地“忽略”状态向量的一部分，ＳＰ??单个门控单元同时控制遗忘因子和更新状态单元的决定，相比标准的ＲＮＮ，添??加了更新门，复位门＂＾。本文所提出的检测模型中更新门ｗｔ，复位门候选??激活状态＆以及激活状态／ｉｔ的定义如公式３－３、３－４、３－５、３－６所示：??＝＜Ｊ（ＨＣ，］）?Ｐ－３）??ｒ，＝?ｃｒ（Ｈ?ｃｊ）?（３－４）??ｈｔ?—?ｔａｎｈ?（Ｗ?？?［ｒｔ?＝＊＝?ｃｔ］）?（３－５）??ｈｔ?＝?ｕｔ?＊ｈｔ?＋?（１?－?ｕｔ）?＊?（３－６）??这里的ｃ，?ｅ妒，妒＝［〇１＇２，．．．，（＾］为从卷积层抽取到的高阶特征。为了捕获??ＵＲＬ所具有的的时序性和长期依赖性
本文提出的的检测模型主要思想是基于ＧＲＵ单元实现的，ＧＲＵ相比??ＬＳＴＭ复杂的三个门限，ＧＲＵ只有两个门，即更新门和复位门，在保持了?ＬＳＴＭ??效果的同时又精简了结构，ＧＲＵ单元如图３－２所示。??ｒ￣ｖ?１??￣￣￣?，ｎ???－ＯＵＴ??图３－２?ＧＲＵ单元结构??其中ＧＲＵ中的复位门和更新门能够独立地“忽略”状态向量的一部分，ＳＰ??单个门控单元同时控制遗忘因子和更新状态单元的决定，相比标准的ＲＮＮ，添??加了更新门，复位门＂＾。本文所提出的检测模型中更新门ｗｔ，复位门候选??激活状态＆以及激活状态／ｉｔ的定义如公式３－３、３－４、３－５、３－６所示：??＝＜Ｊ（ＨＣ，］）?Ｐ－３）??ｒ，＝?ｃｒ（Ｈ?ｃｊ）?（３－４）??ｈｔ?—?ｔａｎｈ?（Ｗ?？?［ｒｔ?＝＊＝?ｃｔ］）?（３－５）??ｈｔ?＝?ｕｔ?＊ｈｔ?＋?（１?－?ｕｔ）?＊?（３－６）??这里的ｃ，?ｅ妒，妒＝［〇１＇２，．．．，（＾］为从卷积层抽取到的高阶特征。为了捕获??ＵＲＬ所具有的的时序性和长期依赖性
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[2]基于深度学习的语音识别方法研究[J]. 邵娜,李晓坤,刘磊,陈虹旭,郑永亮,杨磊. 智能计算机与应用. 2019(02)
[3]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[4]基于统计分析的卷积神经网络模型压缩方法[J]. 杨扬,蓝章礼,陈巍. 计算机系统应用. 2018(08)
[5]基于深度学习的恶意URL识别[J]. 陈康,付华峥,向勇. 计算机系统应用. 2018(06)
[6]基于典型样本的卷积神经网络增量学习研究[J]. 黄伟楠,朱秋煜,王越,王嘉扬. 电子测量技术. 2018(06)
[7]基于威胁情报平台的恶意URL检测研究[J]. 汪鑫,武杨,卢志刚. 计算机科学. 2018(03)
[8]机器学习及其算法和发展研究[J]. 张润,王永滨. 中国传媒大学学报(自然科学版). 2016(02)
[9]支持增量式更新的大数据特征学习模型[J]. 卜范玉,陈志奎,张清辰. 计算机工程与应用. 2015(12)
[10]一种基于增量式BP神经网络的概念漂移数据流分类算法[J]. 魏亚红,倪建成. 电子技术. 2015(03)
博士论文
[1]基于机器学习的Web安全检测方法研究[D]. 杨晓峰.南京理工大学 2011
硕士论文
[1]基于多种LSTM结构的文本情感分析[D]. 张玉环.北京邮电大学 2018
[2]基于机器学习的URL攻击行为实时检测技术的研究[D]. 杨朋朋.北京邮电大学 2018
[3]基于大数据分析的恶意域名检测技术研究与实现[D]. 殷聪贤.北京邮电大学 2018
[4]基于深度学习的钓鱼网站检测技术的研究[D]. 许珑于.电子科技大学 2017
[5]基于机器学习的异常流量检测系统的设计与实现[D]. 何珊珊.北京邮电大学 2017
[6]基于SVM和神经网络的URL安全检测[D]. 莫玉力.北京邮电大学 2016
本文编号：3361965
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图３－１恶意ＵＲＬ检测神经网络体系结构??３．２．１基于关键字的ＵＲＬ词嵌入??ＵＲＬ，ＵＲＬ
本文提出的的检测模型主要思想是基于ＧＲＵ单元实现的，ＧＲＵ相比??ＬＳＴＭ复杂的三个门限，ＧＲＵ只有两个门，即更新门和复位门，在保持了?ＬＳＴＭ??效果的同时又精简了结构，ＧＲＵ单元如图３－２所示。??ｒ￣ｖ?１??￣￣￣?，ｎ???－ＯＵＴ??图３－２?ＧＲＵ单元结构??其中ＧＲＵ中的复位门和更新门能够独立地“忽略”状态向量的一部分，ＳＰ??单个门控单元同时控制遗忘因子和更新状态单元的决定，相比标准的ＲＮＮ，添??加了更新门，复位门＂＾。本文所提出的检测模型中更新门ｗｔ，复位门候选??激活状态＆以及激活状态／ｉｔ的定义如公式３－３、３－４、３－５、３－６所示：??＝＜Ｊ（ＨＣ，］）?Ｐ－３）??ｒ，＝?ｃｒ（Ｈ?ｃｊ）?（３－４）??ｈｔ?—?ｔａｎｈ?（Ｗ?？?［ｒｔ?＝＊＝?ｃｔ］）?（３－５）??ｈｔ?＝?ｕｔ?＊ｈｔ?＋?（１?－?ｕｔ）?＊?（３－６）??这里的ｃ，?ｅ妒，妒＝［〇１＇２，．．．，（＾］为从卷积层抽取到的高阶特征。为了捕获??ＵＲＬ所具有的的时序性和长期依赖性
本文提出的的检测模型主要思想是基于ＧＲＵ单元实现的，ＧＲＵ相比??ＬＳＴＭ复杂的三个门限，ＧＲＵ只有两个门，即更新门和复位门，在保持了?ＬＳＴＭ??效果的同时又精简了结构，ＧＲＵ单元如图３－２所示。??ｒ￣ｖ?１??￣￣￣?，ｎ???－ＯＵＴ??图３－２?ＧＲＵ单元结构??其中ＧＲＵ中的复位门和更新门能够独立地“忽略”状态向量的一部分，ＳＰ??单个门控单元同时控制遗忘因子和更新状态单元的决定，相比标准的ＲＮＮ，添??加了更新门，复位门＂＾。本文所提出的检测模型中更新门ｗｔ，复位门候选??激活状态＆以及激活状态／ｉｔ的定义如公式３－３、３－４、３－５、３－６所示：??＝＜Ｊ（ＨＣ，］）?Ｐ－３）??ｒ，＝?ｃｒ（Ｈ?ｃｊ）?（３－４）??ｈｔ?—?ｔａｎｈ?（Ｗ?？?［ｒｔ?＝＊＝?ｃｔ］）?（３－５）??ｈｔ?＝?ｕｔ?＊ｈｔ?＋?（１?－?ｕｔ）?＊?（３－６）??这里的ｃ，?ｅ妒，妒＝［〇１＇２，．．．，（＾］为从卷积层抽取到的高阶特征。为了捕获??ＵＲＬ所具有的的时序性和长期依赖性
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的图像语义分割[J]. 刘希. 信息技术. 2019(02)
[2]基于深度学习的语音识别方法研究[J]. 邵娜,李晓坤,刘磊,陈虹旭,郑永亮,杨磊. 智能计算机与应用. 2019(02)
[3]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[4]基于统计分析的卷积神经网络模型压缩方法[J]. 杨扬,蓝章礼,陈巍. 计算机系统应用. 2018(08)
[5]基于深度学习的恶意URL识别[J]. 陈康,付华峥,向勇. 计算机系统应用. 2018(06)
[6]基于典型样本的卷积神经网络增量学习研究[J]. 黄伟楠,朱秋煜,王越,王嘉扬. 电子测量技术. 2018(06)
[7]基于威胁情报平台的恶意URL检测研究[J]. 汪鑫,武杨,卢志刚. 计算机科学. 2018(03)
[8]机器学习及其算法和发展研究[J]. 张润,王永滨. 中国传媒大学学报(自然科学版). 2016(02)
[9]支持增量式更新的大数据特征学习模型[J]. 卜范玉,陈志奎,张清辰. 计算机工程与应用. 2015(12)
[10]一种基于增量式BP神经网络的概念漂移数据流分类算法[J]. 魏亚红,倪建成. 电子技术. 2015(03)
博士论文
[1]基于机器学习的Web安全检测方法研究[D]. 杨晓峰.南京理工大学 2011
硕士论文
[1]基于多种LSTM结构的文本情感分析[D]. 张玉环.北京邮电大学 2018
[2]基于机器学习的URL攻击行为实时检测技术的研究[D]. 杨朋朋.北京邮电大学 2018
[3]基于大数据分析的恶意域名检测技术研究与实现[D]. 殷聪贤.北京邮电大学 2018
[4]基于深度学习的钓鱼网站检测技术的研究[D]. 许珑于.电子科技大学 2017
[5]基于机器学习的异常流量检测系统的设计与实现[D]. 何珊珊.北京邮电大学 2017
[6]基于SVM和神经网络的URL安全检测[D]. 莫玉力.北京邮电大学 2016
本文编号：3361965
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3361965.html
