當(dāng)前人們主要通過網(wǎng)頁(yè)來獲取和發(fā)布信息,人們的生活和工作已經(jīng)無(wú)法離開網(wǎng)絡(luò)。但是在網(wǎng)絡(luò)給人們提供信息的同時(shí),安全隱患也在不斷增加。相關(guān)研究統(tǒng)計(jì)表明,作為網(wǎng)絡(luò)中最主要威脅的病毒已經(jīng)被木馬所取代,并且90%的主機(jī)是通過訪問網(wǎng)頁(yè)而感染木馬。網(wǎng)頁(yè)木馬在傳播速度、傳播范圍、所產(chǎn)生的威脅幾個(gè)方面相對(duì)于傳統(tǒng)的木馬具有更大的力度。因此,在木馬入侵之前對(duì)WEB木馬進(jìn)行檢測(cè),保證用戶在訪問網(wǎng)頁(yè)時(shí)免受惡意木馬的侵害,是當(dāng)今網(wǎng)絡(luò)安全亟待解決的問題。首先,針對(duì)在WEB安全網(wǎng)關(guān)處提取特征的時(shí)效性問題,本文提出基于最小緩存模型的WEB頁(yè)面流式解析框架。現(xiàn)有研究中主要基于DOM結(jié)構(gòu)對(duì)WEB頁(yè)面進(jìn)行結(jié)構(gòu)化分析,以獲取應(yīng)用于檢測(cè)的特征數(shù)據(jù)。該方法需要緩存完整頁(yè)面才可以進(jìn)行解析處理,一方面無(wú)法保證解析的時(shí)效性,另一方面,隨著頁(yè)面的增大,解析速度降低,內(nèi)存占用增加。為了保證解析時(shí)效性以及解析速度不會(huì)受到頁(yè)面大小的影響,本文對(duì)WEB頁(yè)面進(jìn)行流式解析,并且通過最小緩存模型在保證提取特征完整性的同時(shí),保證了最小內(nèi)存占用。本論文應(yīng)用以上兩種方法針對(duì)不同大小的網(wǎng)頁(yè)在解析時(shí)間和內(nèi)存占用兩方面進(jìn)行對(duì)比實(shí)驗(yàn),驗(yàn)證基于最小緩存模型的WEB頁(yè)面流式...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2WEB木馬傳統(tǒng)掛馬方式

用戶用戶用戶用戶圖2.2WEB木馬傳統(tǒng)掛馬方式入侵掛馬間接掛馬某“知名”統(tǒng)計(jì)網(wǎng)站被掛馬使用該“知名”網(wǎng)站的全部網(wǎng)站被間接掛馬用戶用戶用戶用戶圖2.3WEB木馬“新”掛馬方式

圖2.3WEB木馬“新”掛馬方式

11用戶用戶用戶用戶圖2.3WEB木馬“新”掛馬方式B掛馬表現(xiàn)形式如下：e的WEB掛馬WEB掛馬是通過iframe標(biāo)簽的形式隱藏WEB木馬。"width0height0/iframe"width20height20style"displ....

圖2.9SVM優(yōu)超平面與特征向量如圖所示，兩類樣本分別用實(shí)心圓和實(shí)心正方形表示，L為圖中樣本的分類線，其

認(rèn)為待確定樣本就是這個(gè)類別。本方法類別的因此解決了樣本不平衡可能帶來的問題。當(dāng)然法涉及大量的計(jì)算，因?yàn)樵诖_定每個(gè)樣本的類最鄰近的K個(gè)樣本。統(tǒng)計(jì)學(xué)分類方法。Bayes算法依賴于類條件概的全部所決定。長(zhǎng)期研究表明，Bayes分類方局限性，因?yàn)樵摲椒▽?duì)樣本的描述具有獨(dú)立性體的概....

圖3.7系統(tǒng)網(wǎng)絡(luò)拓?fù)鋱D

驗(yàn)證該方法的高效性。驗(yàn)環(huán)境和方案應(yīng)用服務(wù)器CPU為IntelXeonCPUE5-26300@2.30GHz，操riseLinuxServerrelease6.5，網(wǎng)卡為千兆網(wǎng)卡，內(nèi)存為64G，本寫，基于gcc-4.1.2版本。程序部署在網(wǎng)關(guān)處運(yùn)行，對(duì)....

本文編號(hào)：3955619