基于机器学习的跨站脚本攻击检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 存在问题及论文主要工作 | 第16页 |
| 1.3.1 存在问题 | 第16页 |
| 1.3.2 论文主要工作 | 第16页 |
| 1.4 论文结构 | 第16-18页 |
| 第二章 跨站脚本漏洞原理与实验 | 第18-35页 |
| 2.1 XSS跨站脚本漏洞 | 第18-23页 |
| 2.1.1 反射型跨站脚本漏洞 | 第19-20页 |
| 2.1.2 存储型跨站脚本漏洞 | 第20-22页 |
| 2.1.3 DOM-based型跨站脚本漏洞 | 第22-23页 |
| 2.2 XSS跨站脚本漏洞利用 | 第23-25页 |
| 2.2.1 盗取用户Cookie信息 | 第23-24页 |
| 2.2.2 跨站脚本钓鱼攻击 | 第24页 |
| 2.2.3 跨站脚本攻击结合拒绝服务攻击 | 第24-25页 |
| 2.2.4 跨站脚本漏洞蠕虫 | 第25页 |
| 2.2.5 用户信息收集 | 第25页 |
| 2.3 防护绕过方式 | 第25-27页 |
| 2.4 跨站脚本攻击实验 | 第27-35页 |
| 2.4.1 实验平台 | 第28页 |
| 2.4.2 手工注入实验 | 第28-31页 |
| 2.4.3 跨站脚本漏洞利用实验 | 第31-35页 |
| 第三章 基于机器学习的跨站脚本攻击检测思路 | 第35-41页 |
| 3.1 机器学习算法分类 | 第35-36页 |
| 3.1.1 监督学习 | 第35页 |
| 3.1.2 无监督学习 | 第35页 |
| 3.1.3 半监督学习 | 第35页 |
| 3.1.4 强化学习 | 第35-36页 |
| 3.2 跨站脚本攻击语句检测框架 | 第36页 |
| 3.3 跨站脚本攻击语句特征化 | 第36-40页 |
| 3.3.1 使用经验特征化 | 第37-39页 |
| 3.3.2 文本特征抽取 | 第39-40页 |
| 3.4 算法模型选择 | 第40-41页 |
| 第四章、基于XGBoost的跨站脚本检测模型 | 第41-60页 |
| 4.1 XGBoost算法概述 | 第41-42页 |
| 4.2 支持向量机算法概述 | 第42-43页 |
| 4.3 实验数据 | 第43-49页 |
| 4.3.1 实验数据获取 | 第43-45页 |
| 4.3.2 实验数据预处理 | 第45页 |
| 4.3.3 特征提取与特征选择 | 第45-48页 |
| 4.3.4 数据标准化 | 第48-49页 |
| 4.3.5 降维 | 第49页 |
| 4.4 参数调整及算法性能度量 | 第49-51页 |
| 4.5 实验及结果分析 | 第51-60页 |
| 4.5.1 实验平台 | 第51-52页 |
| 4.5.2 特征选择结果 | 第52-53页 |
| 4.5.3 SVM算法参数调整与实验结果 | 第53-56页 |
| 4.5.4 XGBoost算法参数调整与实验结果 | 第56-60页 |
| 第五章 基于深度学习的跨站脚本攻击检测模型 | 第60-70页 |
| 5.1 卷积神经网络算法概述 | 第60-61页 |
| 5.2 长短期记忆网络算法概述 | 第61-64页 |
| 5.3 实验数据 | 第64页 |
| 5.4 实验及结果分析 | 第64-68页 |
| 5.4.1 实验平台 | 第64-65页 |
| 5.4.2 深度学习算法参数调整与实验结果 | 第65-68页 |
| 5.5 本文方法对比 | 第68-70页 |
| 第六章 总结和展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表论文及科研情况 | 第76-77页 |
| 致谢 | 第77页 |
