Webshell是一种脚本语言编写的黑客工具,是黑客攻击中非常关键的一个环节,一旦服务器被攻击者写入Webshell,就很可能导致服务器被黑客完全控制,从而导致挖矿、挂马、数据泄露、内网渗透等一系列严重后果。Webshell变形灵活,很容易逃避安全软件的查杀。深度学习类检测模型准确率虽然较传统检测算法高,但检测模型较为脆弱,很容易受到对抗样本攻击。本文主要针对深度学习Webshell检测模型的脆弱性问题,研究了模型脆弱的原因,在攻击和防护两个方面进行研究和实验验证。主要的研究成果有:(1)提出了一种利用词袋可控溢出污染数据集的新方法;通过利用词袋提取算法的一个安全隐患,产生可控的词袋溢出,可以在模型的训练阶段达到拒绝服务的攻击效果。(2)提出了一种快速生成对抗样本的方法;通过在反向语料库中随机搜索对抗词汇,并结合脚本语言程序语法,构造难以过滤的对抗特征,并将其注入Webshell,达到免杀深度学习检测模型的攻击效果。(3)提出了一种特征加强的Webshell检测模型。该模型通过融合机器特征和人工特征,整体上提高了检测模型的非线性程度和表达能力。实验使用的数据集为GitHub开源Webshell收集项目,经实验验证,该融合模型较原模型不仅准确率得到了进一步提高,而且可以防止很大程度上的对抗样本攻击、在叠加干扰噪声的数据集上依然能进行较好的学习。