Transformer与CNN在恶意URL路径识别中的实践探索
💡
原文中文，约15100字，阅读约需36分钟。
📝
内容提要
本文探讨了Transformer和CNN模型在恶意URL识别中的应用。由于识别恶意流量效率低下，神经网络模型成为解决方案。通过字符级嵌入将URL转化为向量序列，CNN和Transformer分别利用卷积和自注意力机制提取特征，实现正常与恶意流量的分类。
🎯
关键要点
- 本文探讨了Transformer和CNN模型在恶意URL识别中的应用。
- 恶意流量识别效率低下，神经网络模型成为解决方案。
- 通过字符级嵌入将URL转化为向量序列，便于模型处理。
- CNN利用卷积机制提取特征，识别恶意流量模式。
- Transformer通过自注意力机制关注序列中其他token的信息。
- 数据集由正常流量和攻击流量组成，需进行预处理。
- 模型结构包括1D CNN和Transformer，分别用于特征提取和分类。
- 训练过程中使用了数据增强和规则检测来提高模型准确性。
- 模型训练后进行验证，评估其在恶意URL识别中的表现。
- 提出了改进方案，包括数据预处理和使用大模型辅助判别。
🏷️
标签
➡️
