[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)站后門檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010040177.X
• 申請(qǐng)日: 2020-01-15
• 公開（公告）號(hào): CN111260033A
• 公開（公告）日: 2020-06-09
• 發(fā)明（設(shè)計(jì)）人: 李婷婷;任春輝;郭勁宏;付毓生
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;H04L29/06
• 代理公司: 成都點(diǎn)睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)站后門檢測(cè)方法，其特征在于，包括以下步驟：

S1、從網(wǎng)站服務(wù)器中提取普通網(wǎng)頁(yè)文件樣本，從網(wǎng)上搜集惡意后門文件樣本，刪除注釋信息并劃分訓(xùn)練集和測(cè)試集；

S2、對(duì)步驟1中提取的數(shù)據(jù)進(jìn)行預(yù)處理；

S3、搭建卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)步驟2得到的數(shù)據(jù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；

S4、利用S3訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)時(shí)檢測(cè)，判斷網(wǎng)站服務(wù)器中的網(wǎng)頁(yè)文件樣本是否存在后門文件樣本。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)站后門檢測(cè)方法，其特征在于，步驟S1中，分別將普通文件樣本和惡意后門文件樣本標(biāo)記為負(fù)樣本和正樣本，然后將正負(fù)樣本按7：3的比例劃分為訓(xùn)練集和測(cè)試集，劃分后再分別將測(cè)試集和訓(xùn)練集打亂。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)站后門檢測(cè)方法，其特征在于，步驟S2的具體方法為：

(1)對(duì)每個(gè)文件中的每行代碼利用空格和非數(shù)字和字母的特殊字符進(jìn)行分詞；

(2)對(duì)樣本進(jìn)行詞向量化訓(xùn)練，得到詞向量化模型；

(3)根據(jù)S2中的模型對(duì)樣本進(jìn)行向量化，每一行代碼轉(zhuǎn)為一個(gè)二維向量，每個(gè)樣本文件均轉(zhuǎn)化為一個(gè)三維向量；

(4)將S3得到的三維向量進(jìn)行截取和填充，轉(zhuǎn)為統(tǒng)一規(guī)定大小的三維向量。

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)站后門檢測(cè)方法，其特征在于，步驟S3的具體方法為:

(1)搭建卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)，利用訓(xùn)練集進(jìn)行訓(xùn)練；

(2)通過(guò)測(cè)試集對(duì)步驟S1得到的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，若滿足準(zhǔn)確率、召回率、及F1值預(yù)設(shè)要求則停止，否則調(diào)整卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)參數(shù)后繼續(xù)進(jìn)行訓(xùn)練。