Web Application Firewall Using Machine Learning and Features Engineering

doi:10.1155/2022/5280158

Web Application Firewall Using Machine Learning and Features Engineering

2022-06-06

0

OA

AI

DOI：10.1155/2022/5280158

原文链接

原文求助

摘要

En 中文

Web应用安全已成为任何企业的主要要求，尤其是在广泛传播的网络攻击面前，尽管存在防御措施以及软件框架和服务器的持续发展。本研究中，我们提出了一种基于机器学习和特征工程的Web应用防火墙模型，用于检测常见的网络攻击。我们提出的模型分析传入的Web服务器请求，解析这些请求以提取描述HTTP请求部分（URL、负载和头部）的四个特征，并判断请求是正常还是异常。我们考虑了以往仅使用URL和负载进行分类的研究工作的局限性，并通过特征工程和软件安全领域的先前经验，提供了描述并概括HTTP请求所有部分的五个特征。提取的特征包括请求长度、允许字符百分比、特殊字符百分比和攻击权重。这些特征计算了四个不同数据集（CSIC 2010、HTTPParams 2015、混合数据集[CSIC 2010和HTTPParams]以及受攻击Web服务器的真实日志）。我们使用这些更新后的数据集，结合四种分类算法（朴素贝叶斯、逻辑回归、决策树和支持向量机）以及两种方法（训练测试分割和交叉验证）来评估我们提出的模型，以消除过拟合的可能性并确保特征的有效性。正常请求的特征值通常是较短的请求长度、较高的允许字符比例、较低的特殊字符比例以及零或接近零的攻击权重。异常请求的特征值则是较长的请求长度、较低的允许字符百分比、较高的特殊字符百分比以及数值上非常大的攻击权重。我们提出的模型在使用该领域研究数据集时达到了99.6%的分类准确率，在使用真实Web服务器数据集时达到了98.8%。

Web Application Firewall Using Machine Learning and Features Engineering

摘要

期刊

机构

引用论文