随着科学技术的进步,互联网行业得到快速发展,大部分在线服务都由Web应用程序所提供,Web应用程序几乎扩展到人们日常生活的每个领域。在使用基于Web应用程序实现的在线服务时,需要提供用户个人信息,这就导致大量的敏感数据被Web页面传送和处理。由于Web应用程序在开发过程中考虑不全面或程序上线时没有做好安全检测工作,导致Web应用程序中存在漏洞,让恶意攻击者可以利用Web漏洞对用户做出攻击行为,给用户带来巨大损失,所以对Web应用攻击的检测就显得尤为重要。针对传统的Web攻击检测方法往往具有攻击数据特征码提取困难,检测的覆盖率不全面,对检测人员技术能力要求高等问题,和传统机器学习方法统计特征的提取需要丰富的实践经验,且不适用大量的数据检测等缺点。本文提出了基于深度学习的Web攻击检测方法。依据一维DCNN(Deep Convolutional Neural Network,深度卷积神经网络)快速处理时序问题的能力与GRU(Gated Recurrent Unit,门控循环单元)模型处理上下文具有长期依赖关系问题的能力,将两个深度学习模型相结合,提出了基于DCNN-GRU模型的Web攻击检测方法。XSS(Cross Site Scripting)攻击和SQL(Structured Query Language)注入在Web攻击类型中出现次数最多,占比最重,文章利用XSS攻击和SQL注入的数据集,来验证DCNN-GRU模型在Web攻击检测中的可行性和实际意义。首先对原始数据做规范化处理,将文本类型的数据转化为可以对深度学习网络模型进行输入的特征向量,然后通过卷积层和池化层处理特征向量,利用GRU层作为门控机制来保留代码间的依赖关系,归一化处理在全连接层实现,最后利用softmax分类器实现分类完成攻击检测。通过实验结果证明本文提出的攻击检测方法的有效性。具体工作如下:详细介绍了XSS攻击和SQL注入的攻击原理和方法,研究传统Web攻击检测方法的检测原理与实际应用,对卷积神经网络、循环神经网络、长短期记忆网络和门控循环网络算法的原理研究,以及这四个深度学习算法在处理文本分类过程中的优缺点,由此提出混合神经网络DCNN-GRU模型,用于对Web攻击检测的研究。详细描述DCNN-GRU模型的网络结构,和用来检测模型性能的评估指标。从Git Hub开源项目中获取XSS攻击和SQL注入攻击的数据集,利用Word2vec模型将数据集进行范化、分词、向量化处理,最终将文本类型的数据转换成可以输入DCNN-GRU模型的向量形式的数据集。利用训练数据对DCNN-GRU模型进行训练,并在训练过程中调整训练参数,用测试数据验证模型的检测效果。使用同样的数据与DCNN、LSTM(Long-Short Term Memory,长短期记忆网络)、GRU模型作对比实验,实验结果表明,DCNN-GRU模型的检测结果比单一的DCNN、LSTM、GRU模型要好,其训练时间最短,准确率、精确率、召回率和F1值的结果都最优。为了验证深度学习模型在攻击检测中的表现,还将机器学习中的支持向量机和K邻近算法与本文模型作对比,最终证明了本文提出的深度学习模型在Web攻击检测中的可行性和有效性。