.png){kind=icon}
返回
Sql injection detection algorithm based on Bi-LSTM and integrated feature selection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07109-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
SQL注入攻击构成了重大的网络安全威胁。然而，由于其多样性和变异性，现有检测方法往往存在高误报率和低准确率的问题。为解决这些挑战，本文提出了一种基于双向长短时记忆网络的高效轻量级SQL注入检测模型SQLLS。首先，采用词频-逆文档频率算法将SQL语句转换为数值特征向量，以提取关键信息并增强模型对输入数据的表征能力。随后，提出了一种集成特征选择方法GFC，该方法结合多种技术以提升特征选择的准确性和鲁棒性。具体而言，使用梯度提升回归树评估各特征的重要性，识别对分类最显著的特征；Fisher分数基于统计显著性筛选能有效区分SQL注入与非注入的特征；卡方检验进一步评估特征与目标标签的相关性，确保所选特征与SQL注入检测高度相关。特征选择后，采用混合精度训练技术以降低内存消耗并提升训练效率。为降低双向长短时记忆模型的复杂度并提高其计算效率，本文引入一种剪枝技术，通过移除不重要权重连接来最小化计算开销，从而提升模型的运行效率。实验结果表明，SQLLS模型实现了100%的准确率、0.154%的低误报率，且运行时间显著短于现有模型。
Keyword:
SQL injection
TF-IDF algorithm
Integrated feature selection
Bi-LSTM network
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures递归神经网络综述: LSTM单元和网络架构
PREAI
分享收藏
Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic DataSneaky Spikes：使用神经形态数据揭示脉冲神经网络中的隐蔽后门攻击
OAAI
OAAI分享收藏
查看更多内容