Web是现如今互联网越来越重要的组成部分,但大部分Web类的应用都会因为开发语言自身的灵活性而导致其存在不同严重程度的安全问题。传统的基于规则的检测方式已经无法实现对日益变化的攻击方式的有效拦截,然而随着算力和数据量的提升,通过深度学习方式进行Web攻击检测已成为热门的研究领域之一。在Web攻击检测方面,大多数的研究者都只关注了由客户端发送的请求流量,而忽略了返回流量中相当明显的一部分特征。在本文中,将Web访问过程中产生的请求与响应流量都列入了考虑范围内,通过所提出的收集、URL聚类、请求与响应信息清理,将双向Web流量数据同时列入了 Web攻击检测的范围中。其次,在真实业务场景下,安全数据非常稀缺,这就导致了在Web攻击检测方面完善标记的样本数据非常少,而且在大部分安全场景下仅对有安全风险的流量进行了标记,这就导致将安全数据应用于机器学习或深度学习中时,面临着数据集极其不平衡的问题。在本文中,通过半监督学习的方式,应用所提出的可信数据集生成、生成器迭代训练方法,实现了在少量恶意流量样本及大量无标记样本情况下的模型训练。最后,为了检验算法是否能在真实的Web应用防护方面进行有效使用,本文在基于Flink实现的流式计算引擎上,将所提出的算法进行了实现。为了验证系统的性能及防护有效性,搭建了一套仿真系统用于模拟,结果表明通过本文算法实现的攻击流量检测系统达到了95%以上的准确率,在误报率方面也控制在了5%以内。