Enhancing Runtime Application Self-Protection with Unsupervised Deep Learning

Bolun Wu

doi:10.1007/978-3-031-94445-1_11

2026-01-01

PRE

DOI：10.1007/978-3-031-94445-1_11

原文链接

原文求助

摘要

En 中文

在当代网络安全环境中，保护Web应用程序免受多样化的恶意攻击对组织而言至关重要。尽管传统的防御系统（如WAF和IDS）提供了缓解策略，但它们容易受到规避或破坏。更有效的策略是在Web应用程序中直接实施运行时应用程序自我保护（RASP）。这种方法通过促进攻击的早期检测，已被证明具有有效性。然而，RASP通常会生成大量误报，并难以检测未知攻击，需要大量人工审查。为解决这些挑战，本文提出了一种将无监督深度学习与运行时应用程序自我保护（RASP）系统相结合的新方法。我们的方法旨在从RASP系统生成的误报中检测真实攻击。为此，我们提出了一种新型融合神经网络模型，能够从各个领域提取特征。然后，我们在RASP的正常行为日志（白样本）上训练了一个自编码器模型。该模型对白样本的特征重建优于黑样本，可通过设置阈值用于检测真实攻击。通过对包含26万条覆盖11种攻击类型的真实RASP日志数据集进行广泛实验，我们的方法显示出卓越的有效性，实现了99.32%的显著召回率和0.66%的低误报率。

Keyword:

Intrusion detection

Runtime application self-protection

Deep learning