典型文献
基于残差网络和GRU的XSS攻击检测方法
文献摘要：
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.
文献关键词：
XSS攻击检测;深度学习;卷积神经网络(CNN);ResNet;门控循环单元(GRU)
中图分类号：
作者姓名：
林雍博;凌捷
作者机构：
广东工业大学 计算机学院,广州 510006
文献出处：
引用格式：
[1]林雍博;凌捷-.基于残差网络和GRU的XSS攻击检测方法)[J].计算机工程与应用,2022(10):101-107
A类：
参考字
B类：
残差网络,GRU,XSS,攻击检测,漏洞检测,payload,令人满意,主观性,RNN,深度学习方法,地学,学习数据,空间特征,时序特征,时空特征,dropout,泛化能力,字符,字典,原始数据,二维空间,空间矩阵,Github,误报率,DNN,百分点,比方,ResNet,门控循环单元
AB值：
0.369747
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
