[发明专利]一种基于深度学习模型优化的XSS漏洞检测方法

权利要求书

1.一种基于深度学习模型优化的XSS漏洞检测方法，其特征在于：包括以下步骤：

步骤(1)：定义XSS攻击向量语法和输出点语境，构建基础XSS攻击向量指令表，具体过程为：

步骤（1.1）建立符号集：所述符号集中包括的符号有标签、属性、事件、内标签文档、html协议和XSS攻击指令；

（1.1.1）标签：属性依附于html的标签中，所有包含属性的标签都成为XSS攻击向量，

（1.1.2）属性：通过属性触发javas解析器，解析执行XSS攻击向量JavaScript代码，实现XSS攻击，

（1.1.3）html协议：html中，属性需要通过协议加载XSS攻击代码，

（1.1.4）事件：html通过事件执行JavaScript代码，

（1.1.5）XSS攻击代码：攻击代码是XSS攻击向量的核心，针对攻击目的的不同，攻击代码有很多构造方式；

（1.2）基于前端html语法并采用步骤（1.1）符号集来编写XSS攻击向量语法，结合输出点语境的XSS攻击向量语法，构建基础XSS攻击向量指令表的过程具体为：

（1.2.1）若XSS输出点位置在标签之间，XSS攻击指令为标签、属性、协议、事件、攻击代码及其组合；

（1.2.2）若XSS输出点位置在标签之中，XSS攻击指令为闭合字符、属性、协议、攻击代码及其组合；

（1.2.3）若XSS输出点位置在html协议中，XSS攻击指令为 JavaScript 代码字符和攻击代码；

步骤(2)：定义XSS攻击向量变异规则，变异规则为：（2.1）变换：攻击向量的大小写转换、攻击向量URL编码变换及攻击向量Unicode编码变换，（2.2）插入：插入标签嵌套、符号、系统控制字符；依此构建变异XSS攻击向量指令表；

步骤(3)：采用TensorFlow智能计算平台，深度学习模型采用自定义神经网络，具体为：

首先对网络上有效的XSS攻击向量进行数据标注，使用率最高的标注为1，没有效果的攻击向量标注为0，其他中间值比例映射，随后加载数据集，进行数据预处理将数据分为训练数据集train data，验证数据集validation data和测试数据集test data；

对于模型：输入层是embedding层，使二维张量转变为三维张量，随后搭建两层GRU层，参数设置为dropout=0.5，dropout通过随机断开神经网络连接，return_sequences=True，返回所有时间戳上的输出列表，unroll=True，最后输出层使用全连接层，把三维张量转变为二维张量，并把Dense设为1；

对于前向传播运算：首先是进入embedding层，随后进入两层GRU层，随后进入输出层，最后经过Sigmoid激活函数计算；

优化器选用Adam学习率设置为0.001，损失函数使用均方差；

使用训练好的模型，加载全部变异XSS攻击向量指令表，进行前向传播运算，将阈值接近1的前五十个攻击向量提取出来保存为优化的XSS攻击向量指令表；

步骤(4)：设计网络爬虫模块，采用广度优先遍历策略，爬取Web页面源码，提取页面源码的URL，并对爬取的URL进行处理，URL处理包括：剔除无效URL、相对URL转换为绝对URL、去除重复URL；

步骤(5)：根据URL找到攻击向量注入点，注入优化后的变异XSS攻击向量，进行XSS漏洞检测，最后分析页面响应，判断XSS漏洞是否存在，具体为：

（5.1）鉴别注入点位置：http协议表头注入点、表单输入注入点、URL参数注入点及URL末端注入点；

（5.2）XSS漏洞判断：根据注入点位置，注入点依次注入优化的XSS攻击向量编码表，提取注入点对应的触发点并触发，随后分析页面响应，判断是否存在XSS漏洞。