Machineanddeeplearningtechniquesfo rdetectionofPHPWebshells
| dc.contributor.author | Meriem, Bensaci | |
| dc.contributor.author | ▪ Feryal, Brahmi | |
| dc.date.accessioned | 2023-07-06T08:12:22Z | |
| dc.date.available | 2023-07-06T08:12:22Z | |
| dc.date.issued | 2023-06-06 | |
| dc.description | mémoire master informatuque | en_US |
| dc.description.abstract | شكل هجمات قذائف الو بٌ تهد دٌا كب رٌا لتطب قٌات الو بٌ وأمن الخادم. تركز هذه الأطروحة على اكتشاف غلاف تٌم جمع مجموعة ب اٌنات من البرامج .CNN-LSTM و KNN و DNN و SVM :ً الو بٌ وتقارن أداء نماذج التعلم الآل النص ةٌ الحم دٌة والخب ثٌة للتدر بٌ والتق مٌٌ. تٌم تطب قٌ تقن اٌت استخراج الم زٌات لالتقاط الخصائص ذات الصلة. تٌم تنف ذٌ لإمكاناته ف اكتشاف غلاف الو بٌ. تٌم DNN وه خوارزم ةٌ تصن فٌ ثنائ شائعة ، وتق مٌٌها. تٌم استكشاف ، SVM للاستفادة من التبع اٌت المكان ةٌ CNN-LSTM وه خوارزم ةٌ غ رٌ بارامتر ةٌ. تٌم التحق قٌ ف ، KNN تدر بٌ وتق مٌٌ حٌدد التحل لٌ المقارن نقاط القوة .ROC وتحل لٌ F والزمان ةٌ. شٌمل تق مٌٌ الأداء الدقة والدقة والاستدعاء ودرجة 1 ؤٌدي بشكل ج دٌ إلى حد معقول. KNN . ظٌهر الوعد ف التعلم العم قٌ DNN . دقة ودقة عال ةٌ SVM والضعف. حٌقق من الم زٌات المكان ةٌ والزمان ةٌ. سٌاعد هذا البحث ف اخت اٌر نموذج مناسب لإكتشاف قشرة الو بٌ, CNN-LSTM تستف دٌ مما سٌاهم ف جهود الأمن الس بٌران .ًLes attaques par Webshell constituent une menace importante pour la sécurité des applications Web et des serveurs. Cette mémoire de master se concentre sur la détection des Webshells et compare les performances des modèles d'apprentissage automatique suivants : SVM, DNN, KNN et CNN-LSTM. Un ensemble de données de scripts bénins et malveillants est collecté pour les tests et l'évaluation. Des techniques d'extraction de caractéristiques sont appliquées afin de capturer les caractéristiques pertinentes. SVM, un algorithme de classification binaire populaire, est mis en oeuvre et évalué. DNN est exploré pour son potentiel dans la détection des Webshells. KNN, un algorithme non paramétrique, est entraîné et évalué. CNN-LSTM est étudié afin de tirer parti des dépendances spatiales et temporelles. L'évaluation des performances inclut l'exactitude, la précision, le rappel, le score F1 et l'analyse ROC. L'analyse comparative permet d'identifier les forces et les faiblesses. SVM atteint une précision élevée. DNN présente des perspectives prometteuses dans l'apprentissage en profondeur. KNN fonctionne de manière raisonnable. CNN-LSTM exploite les caractéristiques spatiales et temporelles. Cette recherche contribue à la sélection d'un modèle approprié pour la détection des Webshells, renforçant ainsi les efforts en matière de cybersécurité. | en_US |
| dc.identifier.uri | http://dspace.univ-eloued.dz/handle/123456789/27537 | |
| dc.language.iso | en | en_US |
| dc.publisher | university of eloued جامعة الوادي | en_US |
| dc.relation.ispartofseries | m005; | |
| dc.subject | يبشال, الأمن السيبراني, التعلم الآلي, التعلم العميق. | en_US |
| dc.subject | cyberattaque, Webshell, apprentissage automatique, apprentissage en profondeur. | en_US |
| dc.title | Machineanddeeplearningtechniquesfo rdetectionofPHPWebshells | en_US |
| dc.type | Master | en_US |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- Machineanddeeplearningtechniquesfo.pdf
- Size:
- 3.51 MB
- Format:
- Adobe Portable Document Format
- Description:
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed upon to submission
- Description: