CN109508542A - 大数据环境下web异常检测方法、***及服务器 - Google Patents

大数据环境下web异常检测方法、***及服务器 Download PDF

Info

Publication number
CN109508542A
CN109508542A CN201811257486.1A CN201811257486A CN109508542A CN 109508542 A CN109508542 A CN 109508542A CN 201811257486 A CN201811257486 A CN 201811257486A CN 109508542 A CN109508542 A CN 109508542A
Authority
CN
China
Prior art keywords
url
regression models
normal
logic regression
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811257486.1A
Other languages
English (en)
Other versions
CN109508542B (zh
Inventor
马旸
蔡冰
罗雅琼
姚力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JIANGSU BRANCH NATIONAL COMPUTER NETWORK AND INFORMATION SECURITY MANAGEMENT CENTER
Original Assignee
JIANGSU BRANCH NATIONAL COMPUTER NETWORK AND INFORMATION SECURITY MANAGEMENT CENTER
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JIANGSU BRANCH NATIONAL COMPUTER NETWORK AND INFORMATION SECURITY MANAGEMENT CENTER filed Critical JIANGSU BRANCH NATIONAL COMPUTER NETWORK AND INFORMATION SECURITY MANAGEMENT CENTER
Priority to CN201811257486.1A priority Critical patent/CN109508542B/zh
Publication of CN109508542A publication Critical patent/CN109508542A/zh
Application granted granted Critical
Publication of CN109508542B publication Critical patent/CN109508542B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开了一种大数据环境下WEB异常检测方法，包括正常URL逻辑回归模型构建，具体过程为：采用N‑Gram模型，获取正常URL里的关键词列表；采用TfidfVectorizer函数把每个正常URL里的关键词做TF‑IDF，得到向量化的特征；训练正常URL逻辑回归模型；异常检测，具体过程为：通过训练好的正常URL逻辑回归模型，过滤HTTP请求，若HTTP请求中的URL为正常URL，则响应HTTP请求。同时也公开了相应的***和服务器。本发明的方法通过正常URL逻辑回归模型过滤HTTP请求，解决了传统基于规则匹配的web入侵检测，误报和漏报率高的问题。

Description

大数据环境下WEB异常检测方法、***及服务器
技术领域
本发明涉及一种大数据环境下WEB异常检测方法、***及服务器，属于WEB异常检测领域。
背景技术
检测SQL注入，往小方面说是能够识别出SQL注入流量，往大方面说是检测WEB异常流量，能够检测SQL注入、XSS、恶意POC等异常流量，完成WAF的功能。
传统web入侵检测技术通过维护规则集对入侵访问进行拦截。一方面，硬规则在灵活的黑客面前，很容易被绕过，且基于以往知识的规则集难以应对0day攻击，规则写的太宽泛易误杀，写的太细易绕过。另一方面，攻防对抗水涨船高，防守方规则的构造和维护门槛高、成本大，规则库维护困难，人员交接工作，甚至时间一长，原作者都很难理解当初写的规则，一旦有误报发生，上线修改都很困难。因此现有基于规则匹配的web入侵检测，误报和漏报率高。
发明内容
本发明提供了一种大数据环境下WEB异常检测方法、***及服务器，解决了传统方式误报和漏报率高的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
大数据环境下WEB异常检测方法，包括以下步骤，
正常URL逻辑回归模型构建，具体过程为：
101）采用N-Gram模型，获取正常URL里的关键词列表；
102）采用TfidfVectorizer函数把每个正常URL里的关键词做TF-IDF，得到向量化的特征；
103）训练正常URL逻辑回归模型；
异常检测，具体过程为：
通过训练好的正常URL逻辑回归模型，过滤HTTP请求，若HTTP请求中的URL为正常URL，则响应HTTP请求。
还包括异常URL逻辑回归模型构建，具体过程为：
201）采用N-Gram模型，获取异常URL里的关键词列表；
202）采用TfidfVectorizer函数把每个异常URL里的关键词做TF-IDF，得到向量化的特征；
203）训练异常URL逻辑回归模型。
异常检测的具体过程为，
301）通过正常URL逻辑回归模型判断HTTP请求中的URL，若为正常URL，则响应HTTP请求；若无法判定为正常URL，则转至302；
302）通过异常URL逻辑回归模型判断HTTP请求中的URL，若判定为异常URL，则阻断该请求；若无法判定为异常URL，则转至303；
303）对HTTP请求中的URL进行人工判断；若为正常URL，则响应HTTP请求，并将其放入正常URL逻辑回归模型训练集合，并对正常URL逻辑回归模型重新训练；若为异常URL，则阻断该请求，并将其放入异常URL逻辑回归模型训练集合，并对异常URL逻辑回归模型重新训练。
N-Gram模型分割URL得到一系列字符串，对字符串进行Gram切分，得到关键词列表。
大数据环境下WEB异常检测***，包括正常URL逻辑回归模型构建模块和过滤模块；
正常URL逻辑回归模型构建模块包括，
正常URL关键词列表获取模块：采用N-Gram模型，获取正常URL里的关键词列表；
正常URL特征模块：采用TfidfVectorizer函数把每个正常URL里的关键词做TF-IDF，得到向量化的特征；
正常URL逻辑回归模型训练模块：训练正常URL逻辑回归模型；
异常检测模块：通过训练好的正常URL逻辑回归模型，过滤HTTP请求，若HTTP请求中的URL为正常URL，则响应HTTP请求。
还包括异常URL逻辑回归模型构建模块包括，
异常URL关键词列表获取模块：采用N-Gram模型，获取异常URL里的关键词列表；
异常URL特征模块：采用TfidfVectorizer函数把每个异常URL里的关键词做TF-IDF，得到向量化的特征；
异常URL逻辑回归模型训练模块：训练异常URL逻辑回归模型。
异常检测模块包括正常过程模块、异常过滤模块和人工判断模块；
正常过程模块：通过正常URL逻辑回归模型判断HTTP请求中的URL，若为正常URL，则响应HTTP请求；若无法判定为正常URL，则将HTTP请求发送给异常过滤模块；
异常过滤模块：通过异常URL逻辑回归模型判断HTTP请求中的URL，若判定为异常URL，则阻断该请求；若无法判定为异常URL，则将HTTP请求发送给人工判断模块；
人工判断模块：对HTTP请求中的URL进行人工判断；若为正常URL，则响应HTTP请求，并将其放入正常URL逻辑回归模型训练集合，正常URL逻辑回归模型构建模块对正常URL逻辑回归模型重新训练；若为异常URL，则阻断该请求，并将其放入异常URL逻辑回归模型训练集合，异常URL逻辑回归模型构建模块对异常URL逻辑回归模型重新训练。
一种服务器，包括壳体，壳体内设置有处理器、存储器以及程序，其中程序存储在所述存储器中并被配置为由所述处理器执行，所述程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
壳体内还设置有散热***，散热***包括若干散热器和若干温度传感器；
温度传感器分布在壳体内壁上，所有温度传感器连接处理器；
壳体顶面上开有若干通孔，每个通孔内嵌一个散热器，通孔内设置有带动散热器升降的升降结构；
散热器包括管状结构的本体，本体的外壁上设置有轴向的外散热片，外散热片根据厚度分为厚散热片和薄散热片，厚散热片均匀分布在圆周上，厚散热片朝外的端部设置有一列齿，厚散热片上开有沿长度方向的散热孔，本体的内壁上设置有轴向的内散热片，位于壳体内的本体中心孔端部设置有内散热风扇，内散热风扇连接处理器；
升降结构包括电机和齿轮，通孔内壁设置有凹口，电机固定在凹口内，齿轮固定在电机转轴端，齿轮的齿与厚散热片上的齿啮合，电机连接处理器。
壳体顶面上还设置有若干镂空的罩体，罩体罩住通孔和通孔内的散热器，罩体顶部设置有外散热风扇，外散热风扇连接处理器。
本发明所达到的有益效果：1、本发明的方法通过正常URL逻辑回归模型过滤HTTP请求，解决了传统基于规则匹配的web入侵检测，误报和漏报率高的问题；2、本发明的方法将模型无法判断的URL，进行人工判断，同时根据判断结果将其放入相应的训练集，根据新的训练集重新训练模块，进一步降低后续的误报和漏报率；3、本发明的服务器，可根据内部温度，自动的调整散热片位于壳体内的接触面积，散热更加灵活。
附图说明
图1为本发明的流程图；
图2为壳体顶部的结构示意图；
图3为散热器的结构示意图；
图4为升降结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，大数据环境下WEB异常检测方法，包括以下步骤：
步骤1，正常URL逻辑回归模型构建，具体过程为：
101）构建正常URL训练集，采用N-Gram模型，获取训练集中正常URL里的关键词列表；
N-Gram模型分割URL得到一系列字符串，对字符串进行Gram切分，得到关键词列表，这里采用3-Gram模型；
102）采用TfidfVectorizer函数把每个正常URL里的关键词做TF-IDF，得到向量化的特征；
103）训练正常URL逻辑回归模型。
步骤2，异常URL逻辑回归模型构建，具体过程为：
201）构建异常URL训练集，采用N-Gram模型，获取训练集中异常URL里的关键词列表；
202）采用TfidfVectorizer函数把每个异常URL里的关键词做TF-IDF，得到向量化的特征；
203）训练异常URL逻辑回归模型。
步骤3，异常检测，具体过程为：
301）通过正常URL逻辑回归模型判断HTTP请求中的URL，若为正常URL，则响应HTTP请求；若无法判定为正常URL，即存在两种可能，一种为异常URL，另一种为正常URL逻辑回归模型无法判定的正常URL，转至302；
302）通过异常URL逻辑回归模型判断HTTP请求中的URL，若判定为异常URL，则阻断该请求；若无法判定为异常URL，即存在两种可能，一种为异常URL逻辑回归模型无法判定的异常URL，另一种为正常URL逻辑回归模型无法判定的正常URL，转至303；
303）对HTTP请求中的URL进行人工判断；若为正常URL，则响应HTTP请求，并将其放入正常URL逻辑回归模型训练集合，并对正常URL逻辑回归模型重新训练；若为异常URL，则阻断该请求，并将其放入异常URL逻辑回归模型训练集合，并对异常URL逻辑回归模型重新训练。
在数据采集时，正常的URL比较多，但是在构建训练集时，也无法将所有形式的URL放入训练集，可能存在遗漏的，因此会出现正常URL逻辑回归模型无法判定的情况，上述方法采用人工判断，将这部分的正常URL放入正常URL逻辑回归模型训练集合，然后重新构建正常URL逻辑回归模型。
在数据采集时，异常的URL比较少，因此会出现异常URL逻辑回归模型无法判定的情况，上述方法采用人工判断，将这部分的异常URL放入异常URL逻辑回归模型训练集合，然后重新构建异常URL逻辑回归模型。
上述方法先对URL进行正常判定，在无法判定的情况下进行异常判定，这里的异常判定仅是为了减低人工判定的工作量，异常判定无法确认的情况下，进行人工判定，通过人工判断是正常URL还是异常URL，然后依次更新训练集和模型，降低误报和漏报率。
由于异常的URL比较少，因此上述方法摒弃了传统抓取异常URL，而是通过正常URL逻辑回归模型过滤HTTP请求（即筛选出正常URL），降低了误报和漏报率。
大数据环境下WEB异常检测***，包括正常URL逻辑回归模型构建模块、异常URL逻辑回归模型构建模块和过滤模块。
正常URL逻辑回归模型构建模块包括：
正常URL关键词列表获取模块：采用N-Gram模型，获取正常URL里的关键词列表；
正常URL特征模块：采用TfidfVectorizer函数把每个正常URL里的关键词做TF-IDF，得到向量化的特征；
正常URL逻辑回归模型训练模块：训练正常URL逻辑回归模型。
异常URL逻辑回归模型构建模块包括：
异常URL关键词列表获取模块：采用N-Gram模型，获取异常URL里的关键词列表；
异常URL特征模块：采用TfidfVectorizer函数把每个异常URL里的关键词做TF-IDF，得到向量化的特征；
异常URL逻辑回归模型训练模块：训练异常URL逻辑回归模型。
异常检测模块：通过训练好的正常URL逻辑回归模型，过滤HTTP请求，若HTTP请求中的URL为正常URL，则响应HTTP请求。
异常检测模块包括正常过程模块、异常过滤模块和人工判断模块。
正常过程模块：通过正常URL逻辑回归模型判断HTTP请求中的URL，若为正常URL，则响应HTTP请求；若无法判定为正常URL，则将HTTP请求发送给异常过滤模块；
异常过滤模块：通过异常URL逻辑回归模型判断HTTP请求中的URL，若判定为异常URL，则阻断该请求；若无法判定为异常URL，则将HTTP请求发送给人工判断模块；
人工判断模块：对HTTP请求中的URL进行人工判断；若为正常URL，则响应HTTP请求，并将其放入正常URL逻辑回归模型训练集合，正常URL逻辑回归模型构建模块对正常URL逻辑回归模型重新训练；若为异常URL，则阻断该请求，并将其放入异常URL逻辑回归模型训练集合，异常URL逻辑回归模型构建模块对异常URL逻辑回归模型重新训练。
一种服务器，包括壳体，壳体内设置有处理器、存储器以及程序，其中程序存储在存储器中并被配置为由处理器执行，程序包括用于执行大数据环境下WEB异常检测方法的指令。
如图2所示，壳体内还设置有散热***，散热***包括若干散热器和若干温度传感器。
温度传感器分布在壳体内壁上，所有温度传感器连接处理器。
壳体顶面上开有若干通孔，每个通孔内嵌一个散热器，通孔内设置有带动散热器升降的升降结构。
如图3所示，散热器包括管状结构的本体，本体的外壁上设置有轴向的外散热片，外散热片长度与本体长度相等，外散热片根据厚度分为厚散热片和薄散热片，所有薄散热片尺寸一致，所有厚散热片尺寸一致，厚散热片设置四个，厚散热片均匀分布在圆周上，厚散热片朝外的端部设置有一列齿，厚散热片上开有沿长度方向的散热孔，本体的内壁上设置有轴向的内散热片，内散热片的长度小于本体长度，内散热片朝外的端部与本体朝外的端部齐平，位于壳体内的本体中心孔端部设置有内散热风扇，内散热风扇不仅用于散热，还能将壳体内的热量导向散热器，内散热风扇连接处理器。
如图4所示，升降结构包括电机和齿轮，通孔内壁设置有凹口，电机固定在凹口内，齿轮固定在电机转轴端，齿轮轴向设置，齿轮的齿与厚散热片上的齿啮合，电机连接处理器，电机带动齿轮旋转，从而带动散热器的升降。
壳体顶面上还设置有若干镂空的罩体，罩体罩住通孔和通孔内的散热器，罩体顶部设置有外散热风扇，外散热风扇连接处理器，当散热器的五分之四嵌入通孔，处理器控制外散热风扇转动，外散热风扇的排风量远大于内散热风扇。
通过温度传感器实时感应壳体内的温度，处理器根据温度调整散热器的升降，当温度较高时，散热器下降，增大散热面积，当散热器的五分之四嵌入通孔，处理器控制外散热风扇转动，进一步增强散热，当温度较低时，散热器上升，减小散热面积。
上述服务器的散热很是灵活，可根据实时温度，进行调整。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.大数据环境下WEB异常检测方法，其特征在于：包括以下步骤，
正常URL逻辑回归模型构建，具体过程为：
101）采用N-Gram模型，获取正常URL里的关键词列表；
102）采用TfidfVectorizer函数把每个正常URL里的关键词做TF-IDF，得到向量化的特征；
103）训练正常URL逻辑回归模型；
异常检测，具体过程为：
通过训练好的正常URL逻辑回归模型，过滤HTTP请求，若HTTP请求中的URL为正常URL，则响应HTTP请求。
2.根据权利要求1所述的大数据环境下WEB异常检测方法，其特征在于：还包括异常URL逻辑回归模型构建，具体过程为：
201）采用N-Gram模型，获取异常URL里的关键词列表；
202）采用TfidfVectorizer函数把每个异常URL里的关键词做TF-IDF，得到向量化的特征；
203）训练异常URL逻辑回归模型。
3.根据权利要求2所述的大数据环境下WEB异常检测方法，其特征在于：异常检测的具体过程为，
301）通过正常URL逻辑回归模型判断HTTP请求中的URL，若为正常URL，则响应HTTP请求；若无法判定为正常URL，则转至302；
302）通过异常URL逻辑回归模型判断HTTP请求中的URL，若判定为异常URL，则阻断该请求；若无法判定为异常URL，则转至303；
303）对HTTP请求中的URL进行人工判断；若为正常URL，则响应HTTP请求，并将其放入正常URL逻辑回归模型训练集合，并对正常URL逻辑回归模型重新训练；若为异常URL，则阻断该请求，并将其放入异常URL逻辑回归模型训练集合，并对异常URL逻辑回归模型重新训练。
4.根据权利要求1或2所述的大数据环境下WEB异常检测方法，其特征在于：N-Gram模型分割URL得到一系列字符串，对字符串进行Gram切分，得到关键词列表。
5.大数据环境下WEB异常检测***，其特征在于：包括正常URL逻辑回归模型构建模块和过滤模块；
正常URL逻辑回归模型构建模块包括，
正常URL关键词列表获取模块：采用N-Gram模型，获取正常URL里的关键词列表；
正常URL特征模块：采用TfidfVectorizer函数把每个正常URL里的关键词做TF-IDF，得到向量化的特征；
正常URL逻辑回归模型训练模块：训练正常URL逻辑回归模型；
异常检测模块：通过训练好的正常URL逻辑回归模型，过滤HTTP请求，若HTTP请求中的URL为正常URL，则响应HTTP请求。
6.根据权利要求5所述的大数据环境下WEB异常检测***，其特征在于：还包括异常URL逻辑回归模型构建模块包括，
异常URL关键词列表获取模块：采用N-Gram模型，获取异常URL里的关键词列表；
异常URL特征模块：采用TfidfVectorizer函数把每个异常URL里的关键词做TF-IDF，得到向量化的特征；
异常URL逻辑回归模型训练模块：训练异常URL逻辑回归模型。
7.根据权利要求6所述的大数据环境下WEB异常检测***，其特征在于：异常检测模块包括正常过程模块、异常过滤模块和人工判断模块；
正常过程模块：通过正常URL逻辑回归模型判断HTTP请求中的URL，若为正常URL，则响应HTTP请求；若无法判定为正常URL，则将HTTP请求发送给异常过滤模块；
异常过滤模块：通过异常URL逻辑回归模型判断HTTP请求中的URL，若判定为异常URL，则阻断该请求；若无法判定为异常URL，则将HTTP请求发送给人工判断模块；
人工判断模块：对HTTP请求中的URL进行人工判断；若为正常URL，则响应HTTP请求，并将其放入正常URL逻辑回归模型训练集合，正常URL逻辑回归模型构建模块对正常URL逻辑回归模型重新训练；若为异常URL，则阻断该请求，并将其放入异常URL逻辑回归模型训练集合，异常URL逻辑回归模型构建模块对异常URL逻辑回归模型重新训练。
8.一种服务器，其特征在于：包括壳体，壳体内设置有处理器、存储器以及程序，其中程序存储在所述存储器中并被配置为由所述处理器执行，所述程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
9.根据权利要求8所述的一种服务器，其特征在于：壳体内还设置有散热***，散热***包括若干散热器和若干温度传感器；
温度传感器分布在壳体内壁上，所有温度传感器连接处理器；
壳体顶面上开有若干通孔，每个通孔内嵌一个散热器，通孔内设置有带动散热器升降的升降结构；
散热器包括管状结构的本体，本体的外壁上设置有轴向的外散热片，外散热片根据厚度分为厚散热片和薄散热片，厚散热片均匀分布在圆周上，厚散热片朝外的端部设置有一列齿，厚散热片上开有沿长度方向的散热孔，本体的内壁上设置有轴向的内散热片，位于壳体内的本体中心孔端部设置有内散热风扇，内散热风扇连接处理器；
升降结构包括电机和齿轮，通孔内壁设置有凹口，电机固定在凹口内，齿轮固定在电机转轴端，齿轮的齿与厚散热片上的齿啮合，电机连接处理器。
10.根据权利要求9所述的一种服务器，其特征在于：壳体顶面上还设置有若干镂空的罩体，罩体罩住通孔和通孔内的散热器，罩体顶部设置有外散热风扇，外散热风扇连接处理器。
CN201811257486.1A 2018-10-26 2018-10-26 大数据环境下web异常检测方法、***及服务器 Expired - Fee Related CN109508542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811257486.1A CN109508542B (zh) 2018-10-26 2018-10-26 大数据环境下web异常检测方法、***及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811257486.1A CN109508542B (zh) 2018-10-26 2018-10-26 大数据环境下web异常检测方法、***及服务器

Publications (2)

Publication Number Publication Date
CN109508542A true CN109508542A (zh) 2019-03-22
CN109508542B CN109508542B (zh) 2019-11-22

Family

ID=65746949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811257486.1A Expired - Fee Related CN109508542B (zh) 2018-10-26 2018-10-26 大数据环境下web异常检测方法、***及服务器

Country Status (1)

Country Link
CN (1) CN109508542B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111371776A (zh) * 2020-02-28 2020-07-03 北京邮电大学 Http请求数据的异常检测方法、装置、服务器及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101908055A (zh) * 2010-03-05 2010-12-08 黑龙江工程学院 一种优化lam%的信息分类阈值的设定方法及使用该方法的信息过滤***
CN104361283A (zh) * 2014-12-05 2015-02-18 网宿科技股份有限公司 防护Web攻击的方法
CN104394122A (zh) * 2014-10-31 2015-03-04 杭州安恒信息技术有限公司 一种基于自适应代理机制的http业务防火墙
CN105554007A (zh) * 2015-12-25 2016-05-04 北京奇虎科技有限公司 一种web异常检测方法和装置
CN107241352A (zh) * 2017-07-17 2017-10-10 浙江鹏信信息科技股份有限公司 一种网络安全事件分类与预测方法及***
CN107888616A (zh) * 2017-12-06 2018-04-06 北京知道创宇信息技术有限公司 基于URI的分类模型的构建方法和Webshell攻击网站的检测方法
CN108449342A (zh) * 2018-03-20 2018-08-24 北京搜狐互联网信息服务有限公司 恶意请求检测方法及装置
CN108549814A (zh) * 2018-03-24 2018-09-18 西安电子科技大学 一种基于机器学习的sql注入检测方法、数据库安全***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101908055A (zh) * 2010-03-05 2010-12-08 黑龙江工程学院 一种优化lam%的信息分类阈值的设定方法及使用该方法的信息过滤***
CN104394122A (zh) * 2014-10-31 2015-03-04 杭州安恒信息技术有限公司 一种基于自适应代理机制的http业务防火墙
CN104361283A (zh) * 2014-12-05 2015-02-18 网宿科技股份有限公司 防护Web攻击的方法
CN105554007A (zh) * 2015-12-25 2016-05-04 北京奇虎科技有限公司 一种web异常检测方法和装置
CN107241352A (zh) * 2017-07-17 2017-10-10 浙江鹏信信息科技股份有限公司 一种网络安全事件分类与预测方法及***
CN107888616A (zh) * 2017-12-06 2018-04-06 北京知道创宇信息技术有限公司 基于URI的分类模型的构建方法和Webshell攻击网站的检测方法
CN108449342A (zh) * 2018-03-20 2018-08-24 北京搜狐互联网信息服务有限公司 恶意请求检测方法及装置
CN108549814A (zh) * 2018-03-24 2018-09-18 西安电子科技大学 一种基于机器学习的sql注入检测方法、数据库安全***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭晓明等: "基于TF-IDF逻辑回归算法的Web攻击行为检测方法研究", 《科技广场》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111371776A (zh) * 2020-02-28 2020-07-03 北京邮电大学 Http请求数据的异常检测方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
CN109508542B (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
RU2720089C1 (ru) Системы и способы определения зазоров для безопасного запуска турбомашины
CN107272654B (zh) 一种用于无人机飞控***故障检测的数据聚类降维方法
KR102069266B1 (ko) 진단 장치, 컴퓨터 프로그램, 및 진단 시스템
US11526138B2 (en) Environment controller and method for inferring via a neural network one or more commands for controlling an appliance
CN109508542B (zh) 大数据环境下web异常检测方法、***及服务器
CN1661352A (zh) 操作员端***以及模式文件识别方法
CN109564425A (zh) 诊断设备、学习设备和诊断***
JP2008151118A5 (zh)
EP2461222B1 (en) Method and system for detection of machine operation state for monitoring purposes
MX2014010548A (es) Aceptacion automatizada de encuestas en un sistema de automatizacion de maquina de fase dinamica.
DE102014110999A1 (de) Systemeinhausungslüftungsüberwachungssystem
US9080575B2 (en) Method of detecting and controlling stall in an axial fan
US9519825B2 (en) Determining access permission
CN107831711A (zh) 基于聚类的推土机动力总成故障诊断***构建方法和装置
JP7134062B2 (ja) 工作機械の異常診断システム、異常診断方法、異常診断プログラム
CN2802561Y (zh) 一种检测计算机设备的恒温箱
CN109357853A (zh) 一种散热器堵塞检测方法及***
Saimurugan et al. A comparative study of sound and vibration signals in detection of rotating machine faults using support vector machine and independent component analysis
CN106610626A (zh) 诊断装置及诊断方法
JP2021089632A5 (zh)
CN106647996A (zh) 一种计算机排热***及计算机
CN116111906A (zh) 带液压制动车铣复合专用电机及其控制方法
CN104847638B (zh) 压缩机的启动方法及启动装置
DE102015112077B3 (de) Kühlverfahren für einen Mehrachsen-Kontroller
CN113867460B (zh) 变电站温湿度监控治理方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191122

Termination date: 20201026

CF01 Termination of patent right due to non-payment of annual fee