基于机器学习的SQL注入检测
摘要 | 第3-4页 |
abstract | 第4-5页 |
第1章 绪论 | 第8-16页 |
1.1 研究背景 | 第8-10页 |
1.2 研究现状 | 第10-13页 |
1.3 论文主要工作 | 第13-14页 |
1.4 论文组织结构 | 第14-16页 |
第2章 SQL注入攻击与机器学习方法 | 第16-24页 |
2.1 SQL注入攻击分析 | 第16-18页 |
2.2 SQL注入攻击的特点 | 第18-19页 |
2.3 SQL注入攻击类型和危害 | 第19-21页 |
2.4 机器学习方法 | 第21-22页 |
2.5 本章小结 | 第22-24页 |
第3章 数据预处理和特征工程 | 第24-38页 |
3.1 数据来源和格式 | 第24-25页 |
3.2 项目需求分析 | 第25-27页 |
3.2.1 Url基础介绍 | 第25-26页 |
3.2.2 课题研究分析 | 第26-27页 |
3.3 数据清洗与关联 | 第27-29页 |
3.4 数据处理和变换 | 第29-32页 |
3.5 特征工程 | 第32-36页 |
3.5.1 特征工程的重要性 | 第32-33页 |
3.5.2 特征工程之特征构建 | 第33-36页 |
3.6 数据预处理和特征工程流程图 | 第36页 |
3.7 本章小结 | 第36-38页 |
第4章 特征选择与集成学习 | 第38-53页 |
4.1 Sklearn实验平台介绍 | 第38页 |
4.2 特征选择 | 第38-41页 |
4.2.1 特征选择的意义和方法 | 第39-40页 |
4.2.2 特征选择实验设计 | 第40-41页 |
4.3 集成学习 | 第41-47页 |
4.3.1 数据不平衡的集成学习方案 | 第41-44页 |
4.3.2 提升分类精度集成学习方案 | 第44-47页 |
4.4 实验结果 | 第47-52页 |
4.4.1 数据预处理方式对模型学习影响 | 第48-50页 |
4.4.2 特性选择算法对模型学习影响 | 第50-51页 |
4.4.3 集成学习对模型学习效果的提升 | 第51-52页 |
4.5 本章小结 | 第52-53页 |
第5章 工程优势比较与系统设计 | 第53-62页 |
5.1 工程优势分析与思考 | 第53-55页 |
5.1.1 有监督机器学习检测的优势 | 第53-54页 |
5.1.2 有监督机器学习检测的反思 | 第54-55页 |
5.2 有监督学习方法的补充解决方案 | 第55-58页 |
5.2.1 基于统计学习的检测方法 | 第55-57页 |
5.2.2 实验对比 | 第57-58页 |
5.3 整体检测流程设计 | 第58-59页 |
5.4 系统设计与实现 | 第59-61页 |
5.5 本章小结 | 第61-62页 |
第6章 工作展望 | 第62-65页 |
6.1 本文工作总结 | 第62-63页 |
6.2 后续研究工作 | 第63-65页 |
参考文献 | 第65-68页 |
致谢 | 第68-69页 |
攻读硕士学位期间从事的科研工作及取得的成果 | 第69页 |