.png){kind=icon}
返回
Session2vec: Session Modeling with Multi-Instance Learning for Accurate Malicious Web Robot Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14101945.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了互联网快速发展的副作用，将僵尸网络置于数字生态系统中，定位为对互联网用户构成非常严重的潜在威胁。恶意网页机器人可能助长网页/数据抓取、DDoS攻击和数据窃取，从而引发严重的网络安全威胁。现代僵尸网络技术先进，具有独特的浏览器指纹，使其检测成为一项真正的挑战。传统的特征提取方法严重依赖专家知识，并且在处理不同长度的会话时存在维度不一致的问题，无法有效应对不断演变的伪装攻击。为应对此类挑战，我们提出了Session2vec，一种基于多实例学习（MIL）的会话表示框架，该框架首次将MIL方法应用于网页会话建模。在该方法中，我们将每个请求视为一个实例，整个会话视为一个实例集合，然后使用FastText模型将每个URL请求转换为向量表示。随后，我们利用两种创新的多实例聚合方法：SARD（会话级聚合残差描述符）和SFAR（会话级Fisher聚合表示），将变长会话聚合成固定维度的向量，捕捉会话内的时空特征和分布信息。在公开数据集上对所提出的SARD和SFAR方法进行仿真测试的结果显示，与最先进的基线方法相比，其准确率分别平均提升了5.2%和16.3%。此外，它们还分别使F1分数提高了8.5%和19.7%。
Keyword:
web security
web robot detection
web session embedding
multi-instance learning
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容