發(fā)布時間：2020-01-23 22:10

【摘要】：隨著信息技術(shù)的快速發(fā)展,Web服務成為互聯(lián)網(wǎng)產(chǎn)業(yè)的重要載體,當前暴露出的Web安全隱患也層出不窮,如何保護Web服務不受攻擊成為安全領(lǐng)域研究的熱點。傳統(tǒng)的網(wǎng)絡安全設(shè)備主要是基于數(shù)據(jù)包檢測的方式,工作于OSI模型的網(wǎng)絡層和傳輸層,并不能在應用層上對Web進行有效防護。近年來,市場上陸續(xù)出現(xiàn)了基于應用層防御的Web應用防火墻,但基本都是基于已知規(guī)則庫的黑白名單形式,對于進出Web服務器的數(shù)據(jù)進行檢查,并不能發(fā)現(xiàn)潛在的或者未知的Web攻擊。而隱馬爾柯夫模型在入侵檢測方面有著廣泛的應用,可以通過機器學習來檢測潛在的威脅。所以結(jié)合隱馬爾柯夫模型,研究Web應用防火墻通過機器學習來檢測和防御潛在的Web攻擊具有重要的現(xiàn)實意義。本文利用隱馬爾柯夫模型具有機器學習功能的特性,設(shè)計并實現(xiàn)了一款Web應用防火墻系統(tǒng)。該系統(tǒng)具有機器學習的能力,除了能防御一般的攻擊外,還能夠發(fā)現(xiàn)潛在的或者未知的Web攻擊,并可以實時地作出響應以保護Web服務器的安全。論文的研究工作內(nèi)容如下:1.隱馬爾柯夫模型的研究與系統(tǒng)學習模型的建立。主要是從隱馬爾柯夫模型進行機器學習的原理著手,分析該模型的理論基礎(chǔ)和關(guān)鍵算法。在此基礎(chǔ)上,根據(jù)HTTP請求屬性的不同,建立了三種不同的學習模型分別處理序列、非負的整數(shù)和字符。模型學習的結(jié)果會成為系統(tǒng)判決Web請求是否異常的依據(jù)。2.系統(tǒng)的設(shè)計與實現(xiàn)。在研究了相關(guān)技術(shù)的基礎(chǔ)后,對系統(tǒng)進行了總體設(shè)計。對Web的請求做預處理后,編程實現(xiàn)了三種學習模型和檢測方法來處理Web請求。根據(jù)系統(tǒng)的設(shè)計,編程實現(xiàn)了其他的全部功能模塊。3.系統(tǒng)測試。主要是對系統(tǒng)的功能和性能進行測試,測試結(jié)果顯示,利用隱馬爾柯夫模型進行機器學習可以有效地防御一般的或潛在的Web攻擊。本課題的研究探索了隱馬爾柯夫模型在Web防火墻領(lǐng)域的應用,使得Web防火墻有機器學習的能力,能夠檢測到潛在或者未知的Web攻擊,這給國內(nèi)Web安全的研究人員和安全設(shè)備廠商提供了應用參考價值。
【圖文】：

圖 2-2 HMM 的轉(zhuǎn)換路徑需要求的 P O | 值可以表示為： | | , | i iQ iP O P O Q P Q 公式看上去似乎很簡單，但是計算很大，其計算量的數(shù)算量需要通過一定的算法進行化簡和求解。HMM 一般ard（前向-后向）算法[24]，可以進行化簡。系統(tǒng)中，，運用解決估值問題的思路，在 Web 請求產(chǎn)生觀察序列出現(xiàn)時，可以計算出這個異常出現(xiàn)的概率值閥值時，可以認為該值異常。態(tài)序列序列，又稱解碼問題。此時的目標是，在給定的 HM時，同時給出一組觀察的序列 1 2, ,tO o o o ，求解最

HMM兩個時刻t和t+1狀態(tài)的轉(zhuǎn)化
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP393.08


本文編號：2572420