| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 面向S-SDLC的安全测试 | 第11-12页 |
| 1.2.2 SQL注入检测技术 | 第12-14页 |
| 1.2.3 分类算法 | 第14-15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-20页 |
| 第2章 面向S-SDLC的安全软件测试模型 | 第20-30页 |
| 2.1 S-SDLC概述 | 第20-21页 |
| 2.2 传统的软件测试模型 | 第21-24页 |
| 2.2.1 V模型 | 第21-22页 |
| 2.2.2 W模型 | 第22-23页 |
| 2.2.3 H模型 | 第23-24页 |
| 2.3 传统软件测试模型的改进 | 第24-27页 |
| 2.3.1 传统软件测试模型的局限性 | 第24页 |
| 2.3.2 改进的安全软件测试模型 | 第24-27页 |
| 2.4 改进的测试模型的可行性研究 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 基于SQL语法解析树的向量学习方法 | 第30-40页 |
| 3.1 SQL注入攻击 | 第30-33页 |
| 3.1.1 SQL注入攻击原理 | 第30-31页 |
| 3.1.2 SQL注入攻击方式 | 第31-33页 |
| 3.2 SQL注入检测 | 第33-36页 |
| 3.2.1 传统的SQL注入攻击检测技术 | 第34-35页 |
| 3.2.2 基于卷积神经网络的SQL注入检测技术 | 第35-36页 |
| 3.3 SQL语句样本处理 | 第36-38页 |
| 3.3.1 SQL语法解析树的表示 | 第36-37页 |
| 3.3.2 SQL嵌入向量的生成 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于SQL解析向量的卷积神经网络自动分类算法 | 第40-48页 |
| 4.1 基本分类模型 | 第40-41页 |
| 4.1.1 传统的分类方法 | 第40页 |
| 4.1.2 基于SQL解析向量的分类模型 | 第40-41页 |
| 4.2 基于树的卷积层 | 第41-43页 |
| 4.2.1 传统的卷积处理 | 第41-42页 |
| 4.2.2 基于树形结构的卷积运算 | 第42-43页 |
| 4.3 基于树形FeatureMap的池化层 | 第43-45页 |
| 4.3.1 最大池化方法 | 第43-44页 |
| 4.3.2 K-Max池化 | 第44页 |
| 4.3.3 动态K-Max池化 | 第44-45页 |
| 4.4 全连接层与输出层 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于SQL解析树的卷积神经网络分类算法的实现 | 第48-58页 |
| 5.1 算法的架构 | 第48页 |
| 5.2 实验环境 | 第48-49页 |
| 5.3 数据集的收集 | 第49-50页 |
| 5.4 SQL样本处理模块的设计与实现 | 第50-51页 |
| 5.4.1 SQL样本处理的设计 | 第50页 |
| 5.4.2 SQL样本处理的实现 | 第50-51页 |
| 5.5 模型训练模块的设计与实现 | 第51-54页 |
| 5.5.1 SQL样本处理的设计 | 第51-52页 |
| 5.5.2 训练模块的实现 | 第52-54页 |
| 5.6 实验结果 | 第54-56页 |
| 5.6.1 嵌入向量的可行性验证 | 第54-56页 |
| 5.6.2 算法的性能分析 | 第56页 |
| 5.7 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第64-66页 |
| 致谢 | 第66页 |