| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究的现状 | 第14-19页 |
| 1.2.1 国外研究现状 | 第15-17页 |
| 1.2.2 国内研究现状 | 第17-19页 |
| 1.3 本文主要工作 | 第19-20页 |
| 1.4 本文的组织结构 | 第20-21页 |
| 第2章 SQL注入技术 | 第21-31页 |
| 2.1 一阶SQL注入技术 | 第21-25页 |
| 2.1.1 一阶SQL注入的几种方式 | 第21-24页 |
| 2.1.2 相关防御技术 | 第24-25页 |
| 2.2 二阶SQL注入技术 | 第25-30页 |
| 2.2.1 注入过程 | 第26-27页 |
| 2.2.2 二阶SQL注入技术 | 第27-28页 |
| 2.2.3 二阶SQL防御技术 | 第28-30页 |
| 2.3 SQL注入漏洞产生原因 | 第30页 |
| 2.4 小结 | 第30-31页 |
| 第3章 基于Naive Bayes算法的SQL注入检测 | 第31-48页 |
| 3.1 机器学习一般方法 | 第31-32页 |
| 3.2 Naive Bayes算法 | 第32-35页 |
| 3.2.1 贝叶斯与概率论 | 第33-34页 |
| 3.2.2 基于朴素贝叶斯的分类 | 第34-35页 |
| 3.3 SQL检测模型总体框架 | 第35页 |
| 3.4 预处理 | 第35-39页 |
| 3.4.1 解码处理 | 第36-37页 |
| 3.4.2 其他绕过技术处理 | 第37页 |
| 3.4.3 改进的特征提取 | 第37-39页 |
| 3.5 改进的词法分析与语法分析 | 第39-41页 |
| 3.5.1 词法分析 | 第39-40页 |
| 3.5.2 语法分析 | 第40-41页 |
| 3.6 提出基于特征向量长度的去噪方法 | 第41-42页 |
| 3.7 实验与结果分析 | 第42-47页 |
| 3.7.1 样本分类流程 | 第42-44页 |
| 3.7.2 实验数据 | 第44-45页 |
| 3.7.3 实验评估参数 | 第45页 |
| 3.7.4 实验结果分析 | 第45-47页 |
| 3.8 小结 | 第47-48页 |
| 第4章 基于LSTM循环神经网络的SQL注入检测 | 第48-68页 |
| 4.1 深度学习基础 | 第48-53页 |
| 4.2 长短时记忆循环神经网络模型 | 第53-56页 |
| 4.2.1 循环神经网络 | 第53-54页 |
| 4.2.2 用BPTT减少误差 | 第54-55页 |
| 4.2.3 处理梯度消失与膨胀 | 第55页 |
| 4.2.4 LSTM-RNN模型 | 第55-56页 |
| 4.3 SQL检测模型总体框架 | 第56-57页 |
| 4.4 基于长短时记忆循环神经网络的检测模型 | 第57-60页 |
| 4.4.1 构造词向量模型 | 第57-59页 |
| 4.4.3 基于LSTM-RNN的检测流程 | 第59-60页 |
| 4.5 实验与结果分析 | 第60-67页 |
| 4.6 小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 附录A 攻读学位期间的学术成果及参与的项目 | 第75-76页 |
| 致谢 | 第76页 |