.png){kind=icon}
返回
ZipAST: Enhancing malicious JavaScript detection with sequence compression
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2025.104390.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
JavaScript是网站的关键组成部分，并极大地增强了网页功能。同时，它已成为恶意网页中最常见的攻击向量之一。早期检测恶意脚本的方案严重依赖安全专家的手动特征工程，其特征表示能力有限。随着深度学习技术的发展，深度学习网络已展现出从恶意JavaScript中自动学习强特征表示的能力。目前，主流检测方法通常从JavaScript代码中提取抽象语法树（AST），以捕捉代码的语义信息。然后使用深度优先遍历将AST节点的信息处理成序列，并输入深度学习模型。然而，对于大型JavaScript库文件和混淆的JavaScript代码，计算能力和硬件限制给完整信息输入模型带来了挑战。仅对序列进行部分采样用于训练和检测，显著降低了模型的检测能力。为解决此问题，本文提出了一种基于序列压缩的恶意JavaScript检测创新方法。该方法提取仅包含AST节点类型信息的输入序列，并采用压缩算法进一步缩短其长度。技术上，我们首先按深度优先遍历顺序提取AST中每个节点的类型字段信息以生成序列，然后使用字节对编码（Byte Pair Encoding）有效压缩该序列。最后，将压缩后的序列输入深度学习模型进行检测。在公开数据集上，当采用相同的深度学习模型进行分类时，我们提出的方法优于现有其他方法，实现了98.96%的精确率和96.37%的召回率。
Keyword:
Malicious javaScript
Malware detection
Obfuscated code
Sequence compression
Deep learning
期刊
C
IF:
5.4
论文数:
4.6K
被引数:
1.7W
机构
暂无机构信息
引用论文
TransAST: A Machine Translation-Based Approach for Obfuscated Malicious JavaScript DetectionTransAST：一种基于机器翻译的混淆恶意JavaScript检测方法
PREAI
分享收藏JSContana: Malicious JavaScript detection using adaptable context analysis and key feature extraction.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏The Image Game: Exploit Kit Detection Based on Recursive Convolutional Neural NetworksIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容