[发明专利]一种基于深度学习的漏洞攻击检测方法和设备

权利要求书

1.一种基于深度学习的漏洞攻击检测方法，其特征在于，所述方法包括以下步骤：

对获取的Web数据进行预处理，将URL字段以字符形式表示；

对预处理后的URL进行分词，并转换成统一的表示形式，得到URL语句的集合；

将URL语句的集合中的每个词转化为向量，得到表示URL中有效语义信息和其他潜在属性信息的词向量矩阵；

词向量矩阵输入预先构建的DMA-BiLSTM深度学习模型中，对URL特征进行分类，确定攻击类型，包括：模型的输入为URL的特征表示向量，即词向量矩阵，其中特征向量长度表示每个词或者符号的向量长度，特征向量的高度表示URL的长度；使用BERT算法进行迁移学习，得到每个词补充特征向量，将补充特征向量和输入的特征表示向量进行整合；将整合后特征向量输入循环神经网络RNN进行语法和语义的特征学习；将RNN得到的中间向量输入到双向LSTM模型中，双向LSTM模型通过对这些中间向量进行拟合进行分类输出；接着进入注意力层，由双向LSTM模型产生的输出向量使用注意力attention机制来加强重要特征的权重，得到文本的表示；最后通过带有dropout的全连接层，使用softmax激活函数输出各类别的概率，其中，DMA-BiLSTM深度学习模型将URL的词向量矩阵表示看作在时间上具有先后顺序的向量序列，矩阵的每一行为不同时刻的输入，设存在输入URL，其词向量序列为：

V＝[v_1,v_2,……,v_m]

其中v_i为第i个词的词向量，m为词向量数目；

根据双向LSTM模型得到时刻t的输出：

H_t＝BiLSTM(v_i)

得到整个深度学习模型的全部输出为H＝[h_1,h_2,……,hm]。

2.根据权利要求1所述的基于深度学习的漏洞攻击检测方法，其特征在于，所述对获取的Web数据进行预处理包括：格式转换、解码工作、URL大小写转换，其中格式转换是指将URL统一转换为UTF-8编码；解码工作是指对URL中某些特殊符号的编码进行解码；URL大小写转换是指将URL中的所有大写统一转换为小写。

3.根据权利要求1所述的基于深度学习的漏洞攻击检测方法，其特征在于，所述对预处理后的URL进行分词，并转换成统一的表示形式，得到URL语句的集合包括：

选取特殊符号，构成分词参考线集合；

遍历URL中所有字符，当字符匹配上任一特殊符号时，通过在该字符的左右两侧加上空格对字符进行替换，将服务器解析的关键词和符号进行分隔；

其中对于预设的关键词加以保留，不进行替换。

4.根据权利要求1所述的基于深度学习的漏洞攻击检测方法，其特征在于，所述将URL语句的集合中的每个词转化为向量包括：将URL语句集合输入word2vec模型，所述word2vec模型为只有一个隐层的全连接神经网络，预测给定单词的关联度大的单词，并计算得到一个数值矩阵，矩阵的行表示每一个词的词向量。

5.根据权利要求4所述的基于深度学习的漏洞攻击检测方法，其特征在于，所述word2vec模型在输入层将一个词转化为One-Hot向量，在隐层建立一个线性模型，输入的是W*x+b，其中x是输入的词向量，W、b分别是权重和偏置参数，在输出层用softmax回归，输出每个词对应的概率。

6.根据权利要求1所述的基于深度学习的漏洞攻击检测方法，其特征在于，所述双向LSTM模型在训练时使用小批的梯度下降法，所述小批的梯度下降法把数据分为若干个批，按批来更新参数，通过调节模型batch_size在每次迭代中分多个批次训练样本完成LSTM训练过程。

7.根据权利要求1-6中任一项所述的基于深度学习的漏洞攻击检测方法，其特征在于，所述漏洞攻击类型包括SQL注入和XSS攻击。

8.一种基于深度学习的漏洞攻击检测设备，其特征在于，包括：

一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-7中任一项所述漏洞攻击检测方法的各步骤。