从有限的异构训练数据中学习：面向跨 Web 域无监督零日 Web 攻击检测的元学习
密码学与安全
2023-09-08 v1
摘要
近来，基于无监督机器学习的系统已被开发用于检测零日 Web 攻击，其可有效增强现有的 Web 应用防火墙(WAFs)。然而，先前工作仅考虑通过为各域训练特定检测模型来检测特定域上的攻击。这些系统需要大量训练数据，导致模型训练与部署周期长。本文中，我们提出 RETSINA，一种新颖的基于元学习的框架，可在组织内以有限训练数据实现跨不同域的零日 Web 攻击检测。具体而言，它利用元学习在这些域间共享知识，例如异构域中 HTTP 请求之间的关系，以高效训练检测模型。此外，我们开发了自适应预处理模块以促进跨域 Web 请求的语义分析，并设计了一种多域表示方法以捕获不同域间的语义关联用于跨域模型训练。我们使用四个不同域上的真实世界数据集（共 293M 条 Web 请求）进行实验。实验结果表明，在有限训练数据下 RETSINA 优于现有的无监督 Web 攻击检测方法，例如 RETSINA 仅需 5 分钟训练数据即可达到与使用 1 天训练数据为不同域训练独立模型的现有方法相当的检测性能。我们还在一家互联网公司进行了真实部署。一个月内，RETSINA 在两个域中分别平均每日捕获 126 和 218 条零日攻击请求。
引用
@article{arxiv.2309.03660,
title = {Learning from Limited Heterogeneous Training Data: Meta-Learning for Unsupervised Zero-Day Web Attack Detection across Web Domains},
author = {Peiyang Li and Ye Wang and Qi Li and Zhuotao Liu and Ke Xu and Ju Ren and Zhiying Liu and Ruilin Lin},
journal= {arXiv preprint arXiv:2309.03660},
year = {2023}
}