基于半监督学习的多层次识别Web恶意请求系统的设计与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第14-19页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 Web防御研究现状 | 第15-16页 |
| 1.3 本文主要工作和贡献 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 相关技术综述 | 第19-40页 |
| 2.1 Web恶意请求综述 | 第19-26页 |
| 2.1.1 Web请求原理 | 第19-20页 |
| 2.1.2 SSL协议概述 | 第20-22页 |
| 2.1.3 Web恶意请求分类 | 第22-26页 |
| 2.1.4 检测Web恶意请求的形式化描述 | 第26页 |
| 2.2 基于静态规则的Web恶意请求检测 | 第26-31页 |
| 2.2.1 正则表达式 | 第27-29页 |
| 2.2.2 开源ModSecurity | 第29-30页 |
| 2.2.3 静态规则检测系统评价 | 第30-31页 |
| 2.3 基于机器学习的Web恶意请求检测 | 第31-39页 |
| 2.3.1 常见监督学习算法 | 第31-37页 |
| 2.3.2 应用机器学习的安全检测 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第3章 系统架构设计与实现 | 第40-72页 |
| 3.1 需求分析 | 第40-43页 |
| 3.1.1 功能性分析 | 第41-42页 |
| 3.1.2 非功能性分析 | 第42-43页 |
| 3.2 系统架构设计 | 第43-45页 |
| 3.3 数据预处理模块 | 第45-48页 |
| 3.3.1 HTTPS数据解密 | 第45-46页 |
| 3.3.2 编解码归一化 | 第46-48页 |
| 3.4 半监督机器学习识别模块 | 第48-60页 |
| 3.4.1 Web恶意请求数据分析 | 第49-53页 |
| 3.4.2 特征提取 | 第53-56页 |
| 3.4.3 模型构建 | 第56-60页 |
| 3.5 字符匹配模块 | 第60-68页 |
| 3.5.1 基本构成 | 第61页 |
| 3.5.2 白名单初步过滤 | 第61-62页 |
| 3.5.3 黑名单二次验证 | 第62-68页 |
| 3.6 自动化报文被动检测模块 | 第68-71页 |
| 3.6.1 分类结果情况分析 | 第69-70页 |
| 3.6.2 报文重放 | 第70-71页 |
| 3.7 本章小结 | 第71-72页 |
| 第4章 关键技术的研究与实现 | 第72-89页 |
| 4.1 可靠反例集生成 | 第72-78页 |
| 4.1.1 基准算法的选择 | 第72-74页 |
| 4.1.2 利用seed种子集合生成反例集 | 第74-77页 |
| 4.1.3 模型分析与评价 | 第77-78页 |
| 4.2 SQL注入多层次识别 | 第78-85页 |
| 4.2.1 正则规则检测 | 第78-82页 |
| 4.2.2 基于Tokens识别 | 第82-85页 |
| 4.3 身份认证重定向 | 第85-88页 |
| 4.4 本章小结 | 第88-89页 |
| 第5章 检测系统的实验与分析 | 第89-98页 |
| 5.1 实验方案 | 第89页 |
| 5.2 实验环境 | 第89-90页 |
| 5.3 系统功能测试 | 第90-96页 |
| 5.3.1 系统识别攻击能力测试 | 第90-91页 |
| 5.3.2 系统学习能力测试 | 第91-94页 |
| 5.3.3 系统整体识别能力测试 | 第94-96页 |
| 5.4 系统性能测试 | 第96-97页 |
| 5.5 本章小结 | 第97-98页 |
| 第6章 总结与展望 | 第98-100页 |
| 6.1 工作总结 | 第98-99页 |
| 6.2 工作展望 | 第99-100页 |
| 参考文献 | 第100-104页 |
| 攻读硕士学位期间主要的研究成果 | 第104-105页 |
| 致谢 | 第105页 |
