مشخصات مقاله:
عنوان فارسی مقاله:
جاسازی URL ترکیب با خوشه بندی گروهی برای شناسایی ناهنجاری های وب
عنوان انگلیسی مقاله:
Incorporating URL embedding into ensemble clustering to detect web anomalies
کلمات کلیدی مقاله:
تشخیص ناهنجاری، یادگیری عمیق وزن دار، خوشه بندی گروهی وزن دار شبه فضا
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر – مهندسی فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
الگوریتم و محاسبات – شبکه های کامپیوتری
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF با کلیک بر روی دکمه آبی، دانلود نمایید. برای ثبت سفارش ترجمه نیز روی دکلمه قرمز رنگ کلیک نمایید. سفارش ترجمه نیازمند زمان بوده و ترجمه این مقاله آماده نمیباشد و پس از اتمام ترجمه، فایل ورد تایپ شده قابل دانلود خواهد بود.
فهرست مطالب:
Outline
Highlights
Abstract
Graphical abstract
Keywords
۱٫ Introduction
۲٫ Related work
۳٫ Preliminaries
۴٫ Algorithm
۵٫ Experimental evaluations
۶٫ Conclusion
Acknowledgements
References
قسمتی از مقاله انگلیسی:
Abstract
Web anomaly detection aims to find deviations from normal behaviour that happened in our system at most of the time. With the development of the Internet, it is vital for the security of the Internet to detect web-based anomalies. Clustering based on feature extraction by manually has been verified as a significant way to detect new anomalies. But the presentations of these features cannot express semantic information of the URLs. In addition, few studies try to cluster the anomalies into specific types like SQL-injection. In order to solve these two problems, we provide a weighted deep learning enabled subspace spectral ensemble clustering approach for web anomaly detection called WDL-SSEC. This approach has three steps. Firstly, an ensemble clustering model is applied to separate anomalies from normal samples. Then we use word2vec to get the semantical presentations of tokens and concatenate weighted tokens to get vectors of the URLs. Finally, another ensemble clustering based on subspace and locally adaptive clustering (LAC) multi-cluster anomalies into specific types. Our approach is run on a real-life data set. The results achieves better performance than existing approaches, , which demonstrates that our model has the ability to cluster anomalies into appropriate types.
1. Introduction
Web application has become the most popular applications in the Internet era. However, in recent years, web security is fast becoming a big concern for many businesses. According to the Data Breach Report of Verizon, web attack has been ranked as the Top 1 threat among all kinds of security risks.As a result, web applications now need more protections than ever.