摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 概述 | 第9-14页 |
1.1 研究背景 | 第9-10页 |
1.2 Web应用中存在的问题 | 第10页 |
1.3 国内外研究现状 | 第10-11页 |
1.3.1 Web安全防护技术 | 第10-11页 |
1.3.2 HTTP攻击检测技术 | 第11页 |
1.4 主要研究内容和创新点 | 第11-13页 |
1.5 论文结构安排 | 第13页 |
1.6 本章小结 | 第13-14页 |
第二章 相关技术分析 | 第14-20页 |
2.1 HTTP协议 | 第14-16页 |
2.1.1 HTTP协议简介 | 第14-15页 |
2.1.2 HTTP的工作方式 | 第15-16页 |
2.2 反向代理服务器 | 第16-18页 |
2.2.1 反向代理服务器简介 | 第16-17页 |
2.2.2 反向代理服务器主要功能 | 第17-18页 |
2.3 HTTP攻击手段 | 第18-19页 |
2.4 N-gram模型 | 第19页 |
2.5 本章小结 | 第19-20页 |
第三章 系统模型分析与设计 | 第20-33页 |
3.1 系统网络拓扑和模型分析 | 第20-24页 |
3.1.1 系统网络拓扑示意图 | 第20-22页 |
3.1.2 系统运行架构分析 | 第22-23页 |
3.1.3 对反向代理技术进行模型分析 | 第23-24页 |
3.2 模型设计 | 第24-28页 |
3.2.1 系统模型与实现机制 | 第24-25页 |
3.2.2 反向代理服务器模型的设计 | 第25-26页 |
3.2.3 请求分析过滤模块 | 第26-27页 |
3.2.4 安全检测校验链子模块 | 第27-28页 |
3.3 设计开发流程 | 第28-32页 |
3.3.1 HTTP反向代理的构成 | 第28-30页 |
3.3.2 基于反向代理服务器的Web安全网关的流程图 | 第30-32页 |
3.4 本章小结 | 第32-33页 |
第四章 HTTP攻击检测模型 | 第33-53页 |
4.1 HTTP攻击检测模型分析 | 第33-38页 |
4.1.1 主流的请求报文检测模型 | 第33-34页 |
4.1.2 解构HTTP请求报文 | 第34-35页 |
4.1.3 检测校验链架构分析 | 第35-36页 |
4.1.4 分类特征提取比对模型 | 第36-37页 |
4.1.5 基于机器学习的攻击检测模型 | 第37-38页 |
4.2 模型设计 | 第38-48页 |
4.2.1 基于DFA的HTTP请求报文检测 | 第38-39页 |
4.2.2 基于N-gram的特征值提取算法 | 第39-41页 |
4.2.3 基于信息增益的特征值筛选算法 | 第41-44页 |
4.2.4 基于BP神经网络的分类学习系统 | 第44-48页 |
4.3 评价标准 | 第48-52页 |
4.3.1 不同长度N-gram算法特征检测比较 | 第50-51页 |
4.3.2 不同特征个数的特征向量检测比较 | 第51页 |
4.3.3 不同分类算法之间的比较 | 第51-52页 |
4.4 本章小结 | 第52-53页 |
第五章 系统实现 | 第53-72页 |
5.1 实现环境 | 第53-54页 |
5.1.1 软件环境介绍 | 第53页 |
5.1.2 硬件及网络环境 | 第53页 |
5.1.3 开发工具及使用语言 | 第53-54页 |
5.2 系统设计与实现 | 第54-63页 |
5.2.1 反向代理的实现 | 第55-56页 |
5.2.2 请求分析过滤模块的实现 | 第56-59页 |
5.2.3 基于DFA的HTTP请求报文检测系统的实现 | 第59-61页 |
5.2.4 基于BP神经网络的训练和识别系统的实现 | 第61-63页 |
5.3 系统运行效果及功能测试 | 第63-67页 |
5.3.1 运行效果 | 第63-64页 |
5.3.2 黑名单测试 | 第64-65页 |
5.3.3 访问控制列表测试 | 第65-66页 |
5.3.4 安全检测校验链测试 | 第66-67页 |
5.4 系统性能评估 | 第67-71页 |
5.5 本章小结 | 第71-72页 |
第六章 总结与展望 | 第72-75页 |
6.1 工作总结 | 第72-73页 |
6.2 工作展望 | 第73-75页 |
致谢 | 第75-77页 |
参考文献 | 第77-81页 |
攻读学位期间发表论文及参加科研项目 | 第81-83页 |
一、已发表的论文 | 第81页 |
二、参加科研项目 | 第81-83页 |