返回
WebShell detection based on deep residual network
DOI:10.1007/s10664-025-10723-0.png)
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
IF:
3.6
论文数:
2.0K
被引数:
5.3K
机构
引用论文
Research on WebShell Detection Method Based on Regularized Neighborhood Component Analysis (RNCA)
Symmetry
IF0
WS-LSMR: Malicious WebShell Detection Algorithm Based on Ensemble LearningWs-lsmr: 基于集成学习的恶意WebShell检测算法
IEEE ACCESS
IF3.6
Webshark 1.0: a benchmark collection for malicious web shell detectionWebshark 1.0:一个用于恶意Webshell检测的基准数据集
The Security of Using Large Language Models: A Survey with Emphasis on ChatGPT使用大型语言模型的安全性:一项以ChatGPT为重点的综述
Z. Deng, W. Ma, Q.-L. Han, W. Zhou, X. Zhu, S. Wen, and Y. H. Xiang, "Exploring DeepSeek: A Survey on Advances, Applications, Challenges and Future Directions," *IEEE/CAA Journal of Automatica Sinica, vol. 12, no. 5, pp. 872–893, May 2025. [Online]. Available: https://doi.org/10.1109/jas.2025.125498.Z. Deng, W. Ma, Q.-L. Han, W. Zhou, X. Zhu, S. Wen, and Y. H. Xiang, "Exploring DeepSeek: A调查关于进展、应用、挑战和未来方向的综述," *IEEE/CAA Journal of Automatica Sinica*, vol. 12, no. 5, pp. 872–893, May 2025. [在线]. 可用: https://doi.org/10.1109/jas.2025.125498.
Protecting Inference Privacy With Accuracy Improvement in Mobile-Cloud Deep Learning在移动云深度学习中通过准确性改进保护推理隐私

