基于Transformer的互联网暗链检测方法

马稼明; 潘路平; 张琰琳

doi:10.11959/j.issn.1000-0801.2022206

您当前的位置：

首页 >

文章列表页 >

基于Transformer的互联网暗链检测方法

AI技术与应用 | 更新时间：2024-06-05

- 基于Transformer的互联网暗链检测方法
- 暂无标题
- 电信科学 2022年38卷第Z2期页码：241-247
- 作者机构：
- 作者简介：
  
  [ "马稼明（1994- ），男，中国电信股份有限公司上海分公司工程师，主要研究方向为云计算技术、人工智能等" ]
  [ "潘路平（1994- ），男，中国电信股份有限公司上海分公司工程师，主要研究方向为大数据、人工智能等" ]
  [ "张琰琳（1995- ），女，中国电信股份有限公司上海分公司工程师，主要研究方向为网络安全等" ]
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2022206
  中图分类号： TP393
- 网络出版日期：2022-12，
  
  纸质出版日期：2022-12-30
- 稿件说明：
移动端阅览
马稼明, 潘路平, 张琰琳. 基于Transformer的互联网暗链检测方法[J]. 电信科学, 2022,38(Z2):241-247.
马稼明, 潘路平, 张琰琳. 基于Transformer的互联网暗链检测方法[J]. 电信科学, 2022,38(Z2):241-247. DOI： 10.11959/j.issn.1000-0801.2022206.

DOI：

摘要

近年来，针对网站进行篡改的攻击数量逐年快速递增且形式愈发多样，其中暗链攻击尤为常见。提出了一种基于 URL 和深度学习中 Transformer 模型的互联网暗链检测方法。取用了 Transformer 模型的编码（encoder）模块，并对输入做了改进，增加了一个字符类型输入。经实践，在经过几十轮的迭代之后，最终的损失可以降到更低，说明元音字符、非元音字符、数字和符号的排列形式对于检测暗链有较大的作用。在不同模型的对比中，Transformer模型的精确率（precision）、召回率（recall）与F1值均优于ATT-Bi-LSTM模型和Bi-LSTM模型。

Abstract

关键词

Keywords

references

国家互联网应急中心 . 互联网安全威胁报告 [EB ] . 2020 .

邢容 . 基于文本识别技术的网页恶意代码检测方法研究 [D ] . 北京:中国科学院大学 , 2012 .

周文怡 , 顾徐波 , 施勇 , 等 . 基于机器学习的网页暗链检测方法 [J ] . 计算机工程 , 2018 , 44 ( 10 ): 22 - 27 .

印杰 , 蒋宇翔 , 牛博威 , 等 . 基于深度学习的网页篡改远程检测研究 [J ] . 南京理工大学学报 , 2020 , 44 ( 1 ): 49 - 54 .

VASWANI A , SHAZEER N , PARMAR N , et al . Attention is all you need [C ] // Advances in Neural Information Processing Systems .[S.l.:s.n. ] , 2017 : 5998 - 6008 .

ALAMMAR J . The illustrated transformer [R ] . 2018 .

盛剑涛 , 陈茂飞 , 刘东鑫 , 等 . 基于组合分类器的恶意域名检测技术 [J ] . 电信科学 , 2020 , 36 ( 5 ): 47 - 55 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于云边协同的高可用厨房卫生监控系统