使用新的深度学习方法保护Web应用程序免受XSS和SQLi攻击.
Jaydeep R Tadhani1, Vipul Vekariya2, Vishal Sorathiya3
1Gujarat Technological University, Ahmedabad, Gujarat, India.
Scientific reports
|January 20, 2024
概括
本研究介绍了一种混合深度学习模型,用于检测Web应用程序中的SQL注入和跨站点脚本攻击. 这种新的方法显著提高了准确性,并减少了网络安全中的假阳性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络应用程序安全 网络应用程序安全
背景情况:
- 网络应用程序处理敏感数据,使安全至关重要.
- SQL注入 (SQLi) 和跨站点脚本 (XSS) 是常见的,破坏性攻击.
- 现有的检测方法往往具有高的假阳性率和有限的准确性.
研究的目的:
- 提出一种新的方法来保护Web应用程序免受SQLi和XSS攻击.
- 为了提高攻击检测的准确性和减少错误的阳性.
- 利用混合深度学习来改善安全威胁中的模式识别.
主要方法:
- 开发了一种混合深度学习 (DL) 模型,将卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络结合起来.
- 采用了SQL/XSS有效负载和HTTP请求的解码和标准化.
- 在自定义测试台,SQL/XSS有效负载和HTTP CSIC 2010基准数据集上训练和评估模型.
主要成果:
- 实现了高准确率:99.84% (SQL-XSS有效载荷),99.23% (测试台) 和99.77% (HTTP CSIC 2010). 实现了高准确率:99.84% (SQL-XSS有效载荷),99.23% (测试台) 和99.77% (HTTP CSIC 2010). 实现了高准确率: 99.84% (SQL-XSS有效载荷),99.23% (测试台),以及99.77% (HTTP CSIC 2010).
- 与传统的机器学习方法相比,表现出更高的性能.
- 有效地识别了SQLi和XSS攻击,具有较低的错误阳性率.
结论:
- 拟议的混合DL模型为检测SQLi和XSS攻击提供了有效的解决方案.
- 这种方法对更广泛的网络安全应用程序 (如入侵检测系统和Web应用程序防火墙) 是有前途的.
- 深度学习技术提高了检测常规方法错过的微妙攻击模式的能力.
