arrow
返回

WebShell detection based on deep residual network

delete2025-10-29
delete0
PRE
AI
F
Fucai Yu
X
Xusheng Li
Z
Ziqiang Chang
G
Gaolei Fei
Y
Yong Ding
T
Tianqing Zhu
DOI:10.1007/s10664-025-10723-0delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
软件安全是现代数字基础设施的基石,其中静态代码分析在识别漏洞和检测恶意代码方面发挥着关键作用。在众多软件安全威胁中,WebShell(一种用脚本语言编写的命令执行环境)作为网络攻击者最常用的攻击工具之一而突出。一旦WebShell部署在遭入侵的Web服务器上,攻击者便可获得未授权控制权,执行恶意操作并扩大其攻击行动,对软件系统构成严重风险。有效检测WebShell仍是软件安全领域的一大关键挑战。基于传统特征匹配的方法难以识别新型和混淆的WebShell变体,而机器学习方法常因复杂的特征工程以及对未知威胁的有限适应性而受限。本文介绍了一种新颖的WebShell检测方法,该方法将WebShell代码文件转化为灰度图像,将检测任务重新定义为图像分类问题。所提出的方法利用了增强有混合注意力机制和空间金字塔池化的深度残差网络,实现了高检测精度。实验结果表明,该方法在识别PHP、JSP和ASP WebShell方面具有显著效果,最高准确率达98.53%,召回率达98.73%。
Keyword:
WebShell
Multilayer perceptron
Residual networks
Attention mechanism
Grayscale image

期刊

Empirical Software Engineering 封面图
Empirical Software Engineering
IF:
3.6
论文数:
2.0K
被引数:
5.3K

机构

S
School of Computer Science and Information Security
学者数:
40
论文数: 17
被引数: 0
I
intelligent optoelectronic department
学者数:
1
论文数: 1
被引数: 0
F
Faculty of Data Science
学者数:
43
论文数: 38
被引数: 0
S
School of Information and Communication Engineering
学者数:
176
论文数: 74
被引数: 0
学者 查看更多机构
引用论文

引用论文

err分享
err收藏
Handling webshell attacks: A systematic mapping and survey
err2021-09-01
err13
PREAI
errHannousse, Abdelhakim; Yahiouche, Salima
err分享
err收藏
学者 查看更多内容