[发明专利]注入攻击检测模型构建方法和装置

权利要求书

1.一种注入攻击的检测模型构建方法，包括：

收集多个样本，包括多个正常样本和多个攻击样本；

对每个所述样本进行转码和分词后与攻击词汇表进行比对，生成统一长度数据集，并提取词向量，其中所述攻击词汇表包括所有所述攻击样本中出现频率高于阈值的多个词汇；

利用多个所述词向量对神经网络模型进行训练，其中，所述神经网络模型包括：

至少一个卷积层，提升所述词向量的数据维度；

至少一个门控循环单元，提取所述词向量中基于时序的特征向量；

平化层，降低所述特征向量的数据维度；

全连接层，接收所述平化层的数据并分类判断；

输出层，输出对每个所述样本的检测结果和所述神经网络模型的评价指标；

当所述神经网络模型的评价指标高于阈值时，停止训练并获得攻击检测模型。

2.根据权利要求1或2所述的方法，还包括：

将所述多个样本随机划分为第一子集和第二子集，以及

对所述攻击检测模型进行测试，其中，

所述第一子集中的所述样本用于训练所述神经网络模型并获得所述攻击检测模型；所述第二子集中的所述样本用于测试所述攻击检测模型。

3.根据权利要求1或2所述的方法，其中，所述转码包括：

截取有效载荷并对所述有效载荷进行词汇替换和/或将统一资源定位符(URL)替换为统一格式，并剔除无意义字符，其中，对所述有效载荷进行词汇替换包括：

将中文字符替换为第一字符；

将数字替换为第二字符；

将超链接替换为第三字符。

4.根据权利要求1或2所述的方法，其中，所述对每个所述样本进行转码和分词后与攻击词汇表进行比对，生成统一长度数据集包括：

预先设定所述数据集的长度；

将所述样本分词后与所述攻击词汇表进行比对，将每个比对不成功的词汇替换为一个第四字符；

增加或删除所述第四字符，使所述样本的数据集符合所述预先设定的所述数据集的长度。

5.根据权利要求1或2所述的方法，其中，所述神经网络模型还包括：

至少一个随机失活层，降低所述神经网络模型中各节点的依赖性；

优选地，所述随机失活层设置在所述平化层的输入端。

6.根据权利要求1或2所述的方法，其中，所述至少一个门控循环单元包括：

第一门控循环单元、第二门控循环单元和第三门控循环单元，其中，

所述第一门控循环单元、第二门控循环单元和第三门控循环单元分别拥有不同的单元数，用于输出不同维度的所述特征向量。

7.根据权利要求1或2所述的方法，其中，所述当所述神经网络模型的评价指标高于阈值时，停止训练并获得攻击检测模型包括：

定义损失函数；

当所述损失函数接近阈值时，中止训练并判断所述评价指标是否高于阈值，

当所述评价指标低于阈值时，调整所述损失函数，继续训练并重复所述判断，直到所述评价指标高于阈值，获得所述攻击检测模型。

8.一种注入攻击的检测模型构建装置，包括：

收集模块，用于收集多个样本，包括多个正常样本和多个攻击样本；

向量提取模块，用于对每个所述样本进行转码和分词后与攻击词汇表进行比对，并生成统一长度数据集，提取每个所述样本的词向量，其中所述攻击词汇表包括所有所述攻击样本中出现频率高于阈值的多个词汇；

训练模块，用于利用所述词向量对神经网络模型进行训练，其中，所述神经网络模型包括：至少一个卷积层，提升所述词向量的数据维度；至少一个门控循环单元，提取所述词向量中基于时序的特征向量；平化层，降低所述特征向量的数据维度；全连接层，接收所述平化层的数据并分类判断；输出层，输出对每个所述样本的检测结果和所述神经网络模型的评价指标；

输出模块，用于当所述神经网络模型的评价指标高于阈值时，停止训练并输出攻击检测模型。