深度学习模型在 web 攻击检测中的攻击与防御
机器学习
2024-06-19 v1 密码学与安全
摘要
web 攻击检测 (WAD) 持续面临挑战，因为黑客不断改进其方法以规避传统检测。深度学习模型因其强大的泛化能力和适应性，在处理复杂未知攻击方面表现突出。然而，这些模型容易受到后门攻击的威胁，攻击者会向请求中插入与上下文无关的片段，从而破坏模型的稳定性。虽然后门攻击在图像识别领域已有广泛研究，但在 WAD 领域仍鲜有探索。本文引入 WAD 中的后门攻击，提出五种攻击方法及相应防御策略。在 textCNN、biLSTM 和 tinybert 模型上进行测试，显示攻击成功率超过 87%，通过微调可显著降低。未来研究应聚焦于 WAD 领域的后门防御。本文的所有代码和数据均可在 https://anonymous.4open.science/r/attackDefenceinDL-7E05 获取。
引用
@article{arxiv.2406.12605,
title = {Attack and Defense of Deep Learning Models in the Field of Web Attack Detection},
author = {Lijia Shi and Shihao Dong},
journal= {arXiv preprint arXiv:2406.12605},
year = {2024}
}
备注
26 pages, 4 figures