[发明专利]基于分布式深度学习的边缘设备web攻击检测系统及方法

说明书

本发明属于信息安全检测领域，具体涉及一种基于分布式深度学习的边缘设备web攻击检测系统及方法，将服务器中不同格式的URL数据转换为统一的标准形式，并采用CBOW模型将标准化后的URL数据转换为词向量的表示形式；基于多个并存的特征区分模块采用CNN模型对转换为词向量的URL数据进行多次检测，基于多个并存的数据区分模块采用FastText模型对标准化的URL数据进行文本检测；对多个特征区分模块和多个数据区分模块各自得到的结果进行统计，并判断当前URL数据是否存在异常；若异常，则将异常URL数据存储到日志库中。本发明采用了多个并发的特征区分模块和数据区分模块分别对每条URL数据进行检测，可以减少漏报的数据数量，可以在一定程度上保护深度学习免受攻击。

技术领域

本发明属于信息安全检测领域，具体涉及一种基于分布式深度学习的边缘设备web攻击检测系统及方法。

背景技术

随着物联网和云技术的快速发展，众多物联网设备和传感器将海量数据传输到云数据中心进行进一步处理。云计算和存储在为我们提供极大便利的同时，也给我们带来了很多安全问题，比如信息收集的滥用，云中的web服务器集中。传统的入侵检测系统和web应用防火墙与新的网络环境越来越不兼容。云物联网系统增加了对web服务器的攻击。

现有技术存在的问题或者缺陷：在云中，常用的入侵检测系统被用来防范web攻击，但它们仍然是可渗透的。因为大多数web应用防火墙依赖于根据已知攻击特征创建的基于正则表达式的过滤器，而且它们需要大量的专家配置。

发明内容

针对上述的技术问题，本发明提供了一种安全性高、可控性强、效率高的基于分布式深度学习的边缘设备web攻击检测系统及方法。

为了解决上述技术问题，本发明采用的技术方案为：

基于分布式深度学习的边缘设备web攻击检测系统，包括：

数据标准化模块，用于将服务器中不同格式的URL数据转换为统一的标准形式；

特征表示模块，用于采用CBOW模型将标准化后的URL数据转换为词向量的表示形式；

多个并存的特征区分模块，用于采用CNN模型对转换为词向量的URL数据进行检测，每个特征区分模块分别对每条URL数据进行检测；

多个并存的数据区分模块，用于采用FastText模型对标准化的URL数据进行文本检测，每个数据区分模块分别对每条URL数据进行文本检测；

统计模块，对多个特征区分模块和多个数据区分模块各自得到的结果进行统计，并判断当前URL数据是否存在异常；

日志库，用于存储统计模块统计判断出的异常URL数据。

基于分布式深度学习的边缘设备web攻击检测方法，包括下列步骤：

S1、将服务器中不同格式的URL数据转换为统一的标准形式，并采用CBOW模型将标准化后的URL数据转换为词向量的表示形式；

S2、基于多个并存的特征区分模块采用CNN模型对转换为词向量的URL数据进行多次检测，基于多个并存的数据区分模块采用FastText模型对标准化的URL数据进行文本检测；

S3、对多个特征区分模块和多个数据区分模块各自得到的结果进行统计，并判断当前URL数据是否存在异常；若异常，则将异常URL数据存储到日志库中。

所述S1中将服务器中不同格式的URL数据转换为统一的标准形式的方法为：包括下列步骤：

首先定义一组特殊的关键字，包括SQL关键字、HTML关键字和JavaScript关键字；其次根据转换模式将URL数据转换为统一标准的格式，转换模式如下：