红日AI安全-基于机器学习的攻击检测系统1
需积分: 0 4 浏览量
2022-08-04
00:45:20
上传
评论
收藏 774KB PDF 举报
基于机器学习的攻击检测系统
之前读到一片freebuf的文章中利用机器学习来进行XSS的检测
1
，从中得到启发，可以利用机器学习完成其他类型
攻击的检测。
问题
攻击的特征如何进行的提取？
攻击数据集的获取
采用什么样的算法进行训练？
前期准备
文中是利用TF-IDF来进行的特征提取。
字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。
首先采用文中的方法进行特征提取，其次，在观察特征时，发现对于正常的请求其很大概率是可读的字符串，所以
对请求进行分割，获取其单词构成。
数据集包括了三个部分，一部分是GitHub上的payload集合，另一部分是secrepo上的http.log数据作为正常请
求。第三部分是HTTP DATASET CSIC 2010数据集，其中包括36000条正常请求和25000条恶意请求。
在选择算法上，首先利用文中使用的逻辑回归进行实验，然后选择其他常见的分类算法进行实验，如knn，svm，
朴素贝叶斯等。
在这里，考虑到CNN网络对提取局部的特征有比较好的效果，将数据放进CNN网络中进行实验。
复现
首先对文章进行复现，复现中最麻烦的一步是数据的特征提取，这里无法做到和文中完全一致，利用我对TF-IDF的
理解进行复现。
这里选用的数据集为：恶意数据为GitHub上的payload，正常数据为http.log中的请求。
在获得特征矩阵后，就可以选择适当的算法进行训练。
def split_url(data_set,num = 3):
data_str= []
for s in data_set:
s = s.strip()
s = " ".join([s[i:i+num] for i in range(len(s)-2)])
data_str.append(s)
return data_str
琉璃纱
- 粉丝: 16
- 资源: 298
最新资源
- Picasso_v3.1 2.ipa
- chromedriver-mac-arm64.zip
- 蓝zapro.apk
- chromedriver-linux64.zip
- UCAS研一深度学习实验-MNIST手写数字识别python源码+详细注释(高分项目)
- 基于Python和PyTorch框架完成的一个手写数字识别实验源码(带MINIST手写数字数据集)+详细注释(高分项目)
- 基于Matlab在MNIST数据集上利用CNN完成手写体数字识别任务，并实现单层CNN反向传播算法+源代码+文档说明(高分项目)
- NVIDIA驱动、CUDA和Pytorch及其依赖
- 基于SVM多特征融合的微表情识别python源码+项目说明+详细注释(高分课程设计)
- html动态爱心代码一（附源码）
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0