Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Bài viết

Tăng cường độ chính xác trong phát hiện tấn công Web dựa trên học sâu và xử lý ngôn ngữ tự nhiên

DOI: 10.54654/isj.v3i20.1008
Từ khóaPhát hiện tấn công webhọc sâuxử lý ngôn ngữ tự nhiênbảo mật ứng dụng web

Tóm tắt

Tóm tắt— Ngày nay, tấn công web ngày càng trở nên phức tạp và tinh vi, gây khó khăn cho các tường lửa ứng dụng web (WAF) truyền thống trong việc nhận diện các mối đe dọa này, đặc biệt là các kiểu tấn công mới. Do vậy, các hướng tiếp cận dựa trên học máy/học sâu (ML/DL) đã được áp dụng trong lĩnh vực nhận diện tấn công web và đạt được những thành công nhất định. Tuy vậy, do sự khác biệt trong payload của các loại tấn công khác nhau, hầu hết các bộ phát hiện tấn công web sử dụng ML/DL thường tập trung vào một loại tấn công web nhất định, đặt ra một rào cản cho các giải pháp này khi triển khai để áp dụng để phát hiện các loại tấn công mới. Trong bài báo này, nhóm tác giả đề xuất một giải pháp dựa trên DL để phát hiện tấn công web, có tên DL-WAD, sử dụng học sâu và các kỹ thuật xử lý ngôn ngữ tự nhiên. Thêm vào đó, DL-WAD được thiết kế với cơ chế tiền xử lý dữ liệu cho phép phân biệt các yêu cầu web bình thường và yêu cầu bất thường có chứa payload của nhiều loại tấn công web khác nhau. Kết quả thực nghiệm cho thấy hiệu quả của giải pháp đề xuất trong việc bảo vệ các dịch vụ web khỏi nhiều loại tấn công với độ chính xác cao.

Lượt tải theo tháng

0163103/2404/2405/2406/2407/2408/2409/2410/2411/2412/2402/2503/2504/2505/2506/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Phạm Văn Hậu, Đỗ Thị Thu Hiền (2023). Tăng cường độ chính xác trong phát hiện tấn công Web dựa trên học sâu và xử lý ngôn ngữ tự nhiên. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 3(20), 77-87. https://doi.org/10.54654/isj.v3i20.1008

Tài liệu tham khảo

  1. 1.R. A. Muzaki, O. C. Briliyant, M. A. Hasditama and H. Ritchi, "Improving Security of Web-Based Application Using ModSecurity and Reverse Proxy in Web Application Firewall," in 2020 International Workshop on BigData and Information Security, 2020.
  2. 2.S. Prandl, M. Lazarescu and D.-S. Pham, "A Study of Web Application Firewall Solutions," in International Conference on Information Systems Security (ICISS 2015), 2015.
  3. 3.Dau, H. X., Trang, N. T. T., & Hung, N. T. (2022). A Survey of Tools and Techniques for Web Attack Detection. Journal of Science and Technology on Information Security, 1(15), 109-118. https://doi.org/10.54654/isj.v1i15.852.
  4. 4.S. O. Uwagbole, W. J. Buchanan and L. Fan, "Applied Machine Learning predictive analytics to SQL Injection Attack detection and prevention," in 2017 IFIP/IEEE (IM), 2017.
  5. 5.X. Kuang, M. Zhang, H. Li, G. Zhao, H. Cao, Z. Wu and X. Wang, "DeepWAF: Detecting Web Attacks Based on CNN and LSTM Models," in International Symposium on Cyberspace Safety and Security (CSS 2019), 2019.
  6. 6.W. B. Shahid, B. Aslam, H. Abbas, S. B. Khalid and H. Afzal, "An enhanced deep learning based framework for web attacks detection, mitigation and attacker profiling," Journal of Network and Computer Applications, vol. 198, 2022.
  7. 7.M. Zhang, B. Xu, S. Bai, S. Lu and Z. Lin, "A Deep Learning Method to Detect Web Attacks Using a Specially Designed CNN," in International Conference on Neural Information Processing (ICONIP 2017), 2017.
  8. 8.Z. Tian, C. Luo, J. Qiu, X. Du and M. Guizani, "A Distributed Deep Learning System for Web Attack Detection on Edge Devices," IEEE Transactions on Industrial Informatics, vol. 16, 2020.
  9. 9.H. Karacan and M. Sevri, "A Novel Data Argumentation Technique and Deep Learning model for Web Application Security," IEEE Access, vol. 9, 2021.
  10. 10.Y. E. Seyyar, A. G. Yavuz and H. M. Ünver, "Detection of Web Attacks Using the BERT Model," in 2022 30th Signal Processing and Communications Applications Conference (SIU), 2022.
  11. 11.T. Mikolov, K. Chen, G. Corrado and J. Dean, "Efficient Estimation of Word Representations in Vector Space," arXiv, 2013.
  12. 12.M. Schuster and K. Paliwal, "Bidirectional recurrent neural networks," IEEE Transactions on Signal Processing, vol. 45, 1997.
  13. 13.C. T. Giménez, A. P. Villegas and G. Á. Marañón, "HTTP DATASET CSIC 2010," Available: https://www.isi.csic.es/dataset/. [Accessed 2023].
  14. 14."Fwaf Machine Learning driven Web Application Firewall," 2017. [Online]. Available: https://github.com/faizann24/Fwaf-Machine-Learning-driven-Web-Application-Firewall . [Accessed 2023].
  15. 15."HttpParams Dataset," [Online]. Available: https://github.com/Morzeux/HttpParamsDataset. [Accessed 2023].

Bài viết liên quan