| 摘要 | 第5-6页 |
| 英文摘要 | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究意义和背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 动态测试方法 | 第12-13页 |
| 1.2.2 静态测试方法 | 第13-14页 |
| 1.2.3 机器学习方法 | 第14页 |
| 1.3 研究的主要内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-17页 |
| 第2章 相关理论知识 | 第17-29页 |
| 2.1 跨站脚本攻击概述 | 第17-21页 |
| 2.1.1 跨站脚本攻击的分类 | 第17-20页 |
| 2.1.2 现有的跨站脚本攻击检测方法分析 | 第20-21页 |
| 2.2 深度学习基础理论 | 第21-27页 |
| 2.2.1 深度学习介绍 | 第22页 |
| 2.2.2 人工神经网络 | 第22-27页 |
| 2.3 小结 | 第27-29页 |
| 第3章 基于循环和卷积神经网络的跨站脚本攻击检测 | 第29-43页 |
| 3.1 设计动机 | 第29-30页 |
| 3.2 系统模型 | 第30页 |
| 3.3 特征提取 | 第30-33页 |
| 3.3.1 词袋模型 | 第31页 |
| 3.3.2 Word2Vec模型 | 第31-32页 |
| 3.3.3 Glove模型 | 第32-33页 |
| 3.4 基于LSTM神经网络的跨站脚本攻击检测 | 第33-35页 |
| 3.5 基于卷积神经网络的跨站脚本攻击检测 | 第35-37页 |
| 3.6 实验结果与分析 | 第37-42页 |
| 3.6.1 实验环境 | 第37页 |
| 3.6.2 实验评估方法 | 第37-38页 |
| 3.6.3 实验结果 | 第38-42页 |
| 3.7 小结 | 第42-43页 |
| 第4章 基于CNN+LSTM神经网络的跨站脚本攻击检测 | 第43-55页 |
| 4.1 设计动机 | 第43页 |
| 4.2 数据集构建 | 第43-44页 |
| 4.3 CNN+LSTM神经网络结构 | 第44-46页 |
| 4.4 CNN+LSTM神经网络的训练参数与优化 | 第46-48页 |
| 4.4.1 激活函数 | 第46-47页 |
| 4.4.2 学习速率 | 第47页 |
| 4.4.3 批尺寸 | 第47页 |
| 4.4.4 Dropout | 第47-48页 |
| 4.4.5 迭代次数 | 第48页 |
| 4.5 数据集的优化与处理 | 第48页 |
| 4.6 实验结果与分析 | 第48-53页 |
| 4.6.1 词袋模型训练结果 | 第49-51页 |
| 4.6.2 Word2Vec模型训练结果 | 第51-53页 |
| 4.6.3 Glove模型训练结果 | 第53页 |
| 4.7 小结 | 第53-55页 |
| 第5章 实验对比与分析 | 第55-59页 |
| 5.1 深度学习模型对比 | 第55页 |
| 5.2 词向量对比 | 第55-56页 |
| 5.3 与浅层机器学习对比 | 第56-57页 |
| 5.4 与现有的方法对比 | 第57-58页 |
| 5.5 小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录A 攻读学位期间取得的成果 | 第66页 |