基于Boosting集成学习的风险URL检测研究
所屬分類：技术论文
上傳者：wwei
文檔大小：3172 K
標簽： Web攻击 集成学习 正则化
所需積分：0分積分不夠怎么辦？
文檔介紹：随着互联网的不断发展，网站数量不断增长，URL作为访问网站的唯一入口，成为Web攻击的重点对象。传统的URL检测方式主要是针对恶意URL，主要方法是基于特征值和黑白名单，容易产生漏报，且对于复杂URL的检测能力不足。为解决上述问题，基于集成学习中的Boosting思想，提出一种针对业务访问的风险URL检测的混合模型。该模型前期将URL作为字符串，使用自然语言处理技术对其进行分词及向量化，然后采用分步建模法的思想，首先利用GBDT算法构建二分类模型，判断URL是否存在风险，接着将风险URL原始字符串输入到多分类模型中，利用XGBoost算法对其进行多分类判定，明确风险URL的具体风险类型，为安全分析人员提供参考。在模型构建过程中不断进行参数调优，并采用AUC值和F1值分别对二分类模型和多分类模型进行评估，评估结果显示二分类模型的AUC值为98.91%，多分类模型的F1值为0.993，效果较好。将其应用到实际环境中，与现有检测手段进行对比，发现模型的检出率高于现有WAF和APT安全设备，其检测结果弥补了现有检测手段的漏报。
現在下載
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。