-
公开(公告)号:CN118250051A
公开(公告)日:2024-06-25
申请号:CN202410342714.4
申请日:2024-03-25
Applicant: 杭州电子科技大学
IPC: H04L9/40 , H04L41/142 , H04L41/16 , H04L67/02 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了一种基于图卷积网络的恶意脚本检测方法。本发明方法将收集到的大量带标签的真实用户请求作为训练集样本。首先,对样本进行预处理,减少样本中的冗余信息,得到简化后的样本和分词集合。然后,将样本和词作为节点,利用样本和词之间的组成关系以及词与词之间的共现关系,构造出词‑样本联合图。然后,利用TF‑IDF和PMI算法提取图中节点和边的特征矩阵,并输入到GCN模型中进行训练,得到XSS payload检测器。最后根据XSS payload检测器的检测结果,判断用户请求是否正常。本发明方法能够检测出攻击者使用各种绕过手段构造出的恶意脚本,弥补了现有检测方法的不足,提高了Web应用的安全性。
-
公开(公告)号:CN117473299A
公开(公告)日:2024-01-30
申请号:CN202311466786.1
申请日:2023-11-06
Applicant: 杭州电子科技大学
IPC: G06F18/213 , G06F18/22 , G06F40/289 , G06F40/30 , G06F17/16 , G06Q50/00 , G06N3/045 , G06N3/0455 , G06N3/0499 , G06N3/084 , G06N3/088
Abstract: 本发明提出了一种基于深度学习增强矩阵分解的信任预测方法及系统,本发明基于深度学习增强矩阵分解的信任预测方法,包括如下步骤:S1,用户偏好特征提取:对评论文本进行预处理,使用基于深度学习的语言模型得到评论文本的向量表示,并将该向量表示作为用户偏好特征;S2,特征降维:使用深度自动编码器生成低维向量;S3,信任矩阵分解:将步骤S2所得低维向量的相似度作为矩阵分解目标函数中的正则化项,通过求解目标函数,获得源用户潜在特征矩阵与目标用户潜在特征矩阵,通过两个矩阵的内积计算可信度。本发明的预测准确率更高;同时,使用语言模型将用户偏好特征集成到矩阵分解过程中,可以有效缓解信任关系稀疏性问题。
-