.png){kind=icon}
返回
GAShellBreaker: A Novel Method for Java Fileless Webshell Detection Based on Grayscale Images and Deep Learning
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14081678.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Webshell被攻击者广泛用于在利用后阶段维持访问权限。随着安全防御的改进，传统的基于文件的Webshell的可检测性日益增强。为规避检测，攻击者正转向无文件Webshell，其完全驻留在内存中，对传统安全工具构成重大挑战。然而，关于无文件Webshell检测的研究仍然有限。为填补这一空白，我们分析了多种无文件Webshell样本，总结其行为模式，并构建了相应的威胁模型。在此基础上，我们提出了一种新型检测方法GAShellBreaker，该方法利用灰度图像转换和深度学习技术。GAShellBreaker首先建立双层数据内存监控机制，以捕获Java虚拟机（JVM）中的可疑类并将其导出为字节码文件。随后从这些文件中提取操作码序列，将其转换为灰度图像，并采用基于ResNet50的分类器进行检测。由于无文件样本数量有限，我们在一个包含1351个基于文件的脚本（383个Webshell和968个良性样本）的更大数据集上训练和评估了该模型，并使用56个无文件Webshell进行验证。实验结果表明，GAShellBreaker在基于文件的Webshell上达到99.10%的准确率，在无文件Webshell上达到89.29%的准确率，优于现有算法。此外，它保持低计算开销（6.7%），证实了其实际可行性。
Keyword:
fileless Webshell detection
deep learning
malicious code detection
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
分享收藏Next-generation antivirus endowed with web-server Sandbox applied to audit fileless attack.png)
SOFT COMPUTINGOAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏WebShell Detection Based on CodeBERT and Deep Learning Model基于CodeBERT和深度学习模型的WebShell检测Proceedings of the 2024 5th International Conference on Computing, Networks and Internet of Things
Proceedings of the 2024 5th International Conference on Computing, Networks and Internet of ThingsIF0
PREAI
分享收藏Obfuscated PHP Webshell Detection Using the Webshell Tailored TextRank Algorithm基于Webshell定制TextRank算法的混淆PHP Webshell检测
PREAI
分享收藏
查看更多内容