基于深度学习的高结构化恶意样本的检测方法

基于深度学习的高结构化恶意样本的检测方法 High-Structured Malicious Sample Detection Method Based on Deep Learning 1 first-author 赵 磊，男，博士，副教授，主要从事二进制安全方面的研究。E-mail:leizhao@whu.edu.cn 赵 磊，男，博士，副教授，主要从事二进制安全方面的研究。E-mail:leizhao@whu.edu.cn leizhao@whu.edu.cn 1 1 1 武汉大学 国家网络安全学院，湖北 武汉 430072 武汉大学 国家网络安全学院，湖北 武汉 430072 School of Cyber Science and Engineering, Wuhan University, Wuhan 430072, Hubei， China School of Cyber Science and Engineering, Wuhan University, Wuhan 430072, Hubei， China 随着攻击检测及缓解等安全防护能力的增强，高结构化的文件（如PDF、HTML等）成为当前漏洞利用的主要目标。由于高结构化的文件具有结构复杂、格式多样、自定义规则灵活等特点，恶意样本的模式与规则难以抽取，导致传统基于模式和规则的检测方法难以应对高结构化恶意样本的检测问题。边界值填充、恶意代码嵌入等操作使得恶意样本字节流分布有所改变，依据样本字节流分布差异，本文提出了一种基于深度学习的高结构化恶意样本的检测方法(JLMethod)。该方法使用卷积神经网络对样本文件的字节流特征进行分类，能有效检测出恶意样本。在文档型PDF文件实验中以4.1‰的漏报率、99.59%准确率和在非文档型HTML恶意样本（WebShell）检测实验中以8.5‰的漏报率、98.89%准确率,验证了本文方法在高结构化恶意样本检测方面的可行性。 With the enhancement of security protection capabilities such as attack detection and mitigation, highly structured files (such as PDF, HTML, etc.) have become the main targets of vulnerability exploitation. Due to the structure complexity, formats variety, and the flexibility of customized rules, it is difficult to extract patterns of malicious samples, which brings great challenge to traditional detection techniques based on patterns and rules. It is observed that the construction of malicious samples such as filling boundary values or embedding malicious code can change the distribution of byte streams, thus this paper proposes a method to detect highly structured malicious samples based on deep learning(JLMethod). In details, this method leverage convolutional neural network to classify byte streams features of sample, and then effectively detect malicious samples. Experiment results show that our approach achieves 99.59% accuracy rate and 4.1‰ false negative on the detection of highly structured PDF file, 98.89% accuracy rate and 8.5‰ false negative rate on the detection of highly structured non-document HTML malicious samples (WebShell), which demonstrates the effectiveness of our method. 恶意样本 深度学习 漏洞 高结构化 malicious samples deep learning vulnerability highly structured 赵磊,金银山,刘勤亮, 等.基于深度学习的高结构化恶意样本的检测方法[J].武汉大学学报（理学版）,2019,65(6):571-575. DOI:10.14188/j.1671-8836.2019.06.006. 0　 引 言 1 软件漏洞是诸多安全事件的源头，基于漏洞利用的恶意样本是当前主要的攻击载体。恶意样本通常会以嵌入恶意代码的方式实现漏洞的触发及利用、下载并安装其他文件、开启后门等一系列恶意行为，进而造成极大的安全威胁。针对恶意样本的检测一直是网络安全领域的热点和难点问题。 围绕漏洞及恶意样本的攻防对抗在近20年来一直是学术界及工业界的研究热点问题，学者们提出了多种安全防御技术，如控制流完整性 [ 1 1 ] 、动态污点分析 [ 2 2 ] 、数据执行保护、地址空间布局随机化等，这些方法能够有效增加攻击的代价和难度，对恶意样本的检测及攻击的缓解起到很好的促进作用。 然而，安全防护能力的增强也催生了更复杂、更高级的网络攻击手段。受提升用户体验、支持个性化定制等需求的影响，越来越多的文件类型支持用户自定义脚本、结构与规则可扩展等特点，典型的文件包括PDF、SWF、MSOffice、HTML等。为便于描述，本文将这种文件结构异常复杂、格式多样、支持规则自定义等特点的文件类型统称为高结构化文件。高结构化文件在提升用户体验的同时，也给攻击带来了更多的便利，成为最近几年漏洞及恶意样本的主要载体。与高结构化文件相关的各类软件如Web浏览器、Adobe Reader、Flash Player等成为漏洞的重灾区。 当前的大多数恶意样本检测方法是在已知恶意样本的基础上构建模式与规则。在恶意PDF文件检测方面Wepawet [ 3 3 ] 和PJScan [ 4 4 ] 都是聚焦于PDF中恶意的JavaScript代码层面，使用JavaScript代码提取器做动态或静态分析，并未考虑到攻击者为了逃避检测而使用了模糊处理技术。PDF Malware Slayer [ 5 5 ] 使用Object关键词作为特征，检测内部结构的不同。PDFrate [ 6 6 ] 使用随机森林模型作为分类器，通过设计由大量决策树组成的集成模型来减少预测方差。Hidost [ 7 7 ] 使用Object的结构路径作为分类特征，设计了基于支持向量机的分类模型。目前WebShell（恶意HTML）的检测方法主要分为以下几个方面：1) 基于特征的检测，通过对WebShell的恶意文本特征进行评判，并结合恶意特征黑名单技术以及对比原始文件技术，最终通过评分和阈值来判定WebShell的可能性。2) 基于决策树的WebShell检测 [ 8 8 ] 和基于SVM的WebShell检测 [ 9 9 ] 利用机器学习的方法对先验网页样本进行学习来检测WebShell。3) 基于日志的WebShell检测 [ 10 10 ] ，通过对服务器web日志文件进行文本分析，从文本特征、统计特征和页面关联特征3个角度检测WebShell。4) WebShell实时动态检测，根据php的运行机制基于php扩展对php代码的编译执行进行监控，同时结合对外部输入变量的标记追踪、黑白名单机制来进行WebShell的实时动态检测。 由此可见，现有的恶意样本检测方法大多是基于文本特征或统计特性，误报率较高。部分动态的实时分析方法应用场合非常单一，通用性很差。利用沙箱等技术的动态分析虽然能够检测恶意样本，但高额的性能损耗与检测代价使得动态分析更多的适用于事后诊断与分析，不适于实时检测。 针对高结构化恶意样本特征难以提取这一问题，本文利用深度学习在特征提取等方面的优势，提出基于深度学习的高结构化的恶意样本检测方法（JLMethod）。由于高结构化恶意样本能够触发软件漏洞并执行嵌入代码，相比正常的文件，恶意样本本身对于文件解析软件（如PDF阅读软件Adobe Reader、Flash播放软件Flash Player等）来说属于“畸形输入”，边界值填充、恶意代码嵌入等操作使得恶意样本字节流数据分布有所改变。因此，我们在样本文件字节流水平上提取能表征数据分布的信息熵特征以及字节比特征，利用卷积神经网络CNN(convolutional neural network)的卷积池化等操作能够抽象高层次特征的优势，使用卷积神经网络识别畸形输入即恶意样本。为了验证方法的有效性，我们选取了具有代表性的文档型PDF恶意样本和非文档型HTML恶意样本（WebShell）进行实验。 1　 检测模型的设计与实现 1 本文系统流程如 图1 图1 所示，分为模型训练阶段和测试阶段。在训练阶段提取训练样本字节流水平上信息熵和字节比特征，使用该特征表示经前向传播、反向传播算法传递误差和梯度下降法更新网络权重，学习得出该深度学习模型。在模型测试阶段，使用测试样本对该深度学习模型进行测试。训练阶段和测试阶段使用不同的数据集。 1.1　字节流特征表示 2 以PDF为例，其文件结构由文件头、文件体、交叉引用表、文件尾等部分组成，解析一个PDF文件的关键是PDF文件逻辑结构。PDF文件逻辑结构为树形结构，从根节点catalog出发，可以解析文件的page、outlines、URI、Metadata等字段。为了逃避检测，恶意代码的嵌入方式多种多样，每个字段都可能被恶意利用，很难依照固定模式提取内容特征进行检测。并且基于统计特征和基于文本分析等方法漏报率高、容易躲避检测、对未知样本的检测效果差。本文选择数据流分布特征作为检测恶意样本的依据。一方面在样本文件字节流上进行滑窗处理，计算每个窗口内的信息熵 <math display="block" id="M1"><mi>H</mi><mtext>(</mtext><mi>x</mi><mtext>)</mtext><mtext>=</mtext><mtext>-</mtext><mi>p</mi><mtext>(</mtext><mi>x</mi><mtext>)</mtext><mi mathvariant="normal">l</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">g</mi><mtext> </mtext><mi>p</mi><mtext>(</mtext><mi>x</mi><mtext>)</mtext></math> http://notExist.jpg http://notExist.jpg 39.20066452 3.72533321 另一方面作为补充信息统计了每个字节在样本中所占比例， <math id="M2"><mi>p</mi><mtext>(</mtext><mi>x</mi><mtext>)</mtext><mtext>=</mtext><mi>N</mi><mtext>(</mtext><mi>x</mi><mtext>)</mtext><mtext>/</mtext><mi>N</mi><mtext>,</mtext><mi>N</mi><mtext>(</mtext><mi>x</mi><mtext>)</mtext></math> http://notExist.jpg http://notExist.jpg 37.42266846 3.89466667 表示样本中字节数量, N 表示样本字节数。 1.2　模型学习 2 在模型学习阶段，样本文件向量化后的特征经卷积神经网络一系列卷积、池化等操作，计算出更高层次的隐藏特征经由全连接层进行样本识别检测。在此过程中主要使用反向传播传递误差、梯度下降算法更新网络权重。卷积神经网络反向传播算法如算法1所示。 2 算法1 卷积神经网络反向传播算法 输入: 训练集样本 X <math id="M3"><msup><mrow><mi>δ</mi></mrow><mrow><mi>L</mi></mrow></msup><mo>=</mo><msub><mrow><mo>∇</mo></mrow><mrow><mi>a</mi></mrow></msub><mi>C</mi><mstyle displaystyle="true"><mover><mrow><mo>⊙</mo><mi>σ</mi></mrow><mrow><mo>́</mo></mrow></mover></mstyle><mfenced separators="|"><mrow><msup><mrow><mi>z</mi></mrow><mrow><mi>L</mi></mrow></msup></mrow></mfenced></math> <math id="M4"><msup><mrow><mi>δ</mi></mrow><mrow><mi>l</mi></mrow></msup><mo>=</mo><mfenced separators="|"><mrow><msup><mrow><mfenced separators="|"><mrow><msup><mrow><mi>ω</mi></mrow><mrow><mi>l</mi><mo>+</mo><mn>1</mn></mrow></msup></mrow></mfenced></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><msup><mrow><mi>δ</mi></mrow><mrow><mi>l</mi><mo>+</mo><mn>1</mn></mrow></msup></mrow></mfenced><mstyle displaystyle="true"><mover><mrow><mo>⊙</mo><mi>σ</mi></mrow><mrow><mo>́</mo></mrow></mover></mstyle><mfenced separators="|"><mrow><msup><mrow><mi>z</mi></mrow><mrow><mi>l</mi></mrow></msup></mrow></mfenced></math> <math id="M5"><mfrac><mrow><mo>∂</mo><mi>C</mi></mrow><mrow><mo>∂</mo><msubsup><mrow><mi>b</mi></mrow><mrow><mi>j</mi></mrow><mrow><mi>l</mi></mrow></msubsup></mrow></mfrac><mo>=</mo><msubsup><mrow><mi mathvariant="normal">δ</mi></mrow><mrow><mi>j</mi></mrow><mrow><mi>l</mi></mrow></msubsup></math> <math id="M6"><mfrac><mrow><mo>∂</mo><mi>C</mi></mrow><mrow><mo>∂</mo><msubsup><mrow><mi>ω</mi></mrow><mrow><mi>j</mi><mi>k</mi></mrow><mrow><mi>l</mi></mrow></msubsup></mrow></mfrac><mo>=</mo><msubsup><mrow><mi>a</mi></mrow><mrow><mi>k</mi></mrow><mrow><mi>l</mi><mo>-</mo><mn>1</mn></mrow></msubsup><msubsup><mrow><mi>δ</mi></mrow><mrow><mi>j</mi></mrow><mrow><mi>l</mi></mrow></msubsup></math> 输出: 卷积神经网络的参数 W ， b 该算法通过反向传播误差利用梯度下降更新 W ， b ，最后输出卷积神经网络的参数 W 和 b （在此模型中分别表示权重矩阵和偏移矩阵）。算法1中 <math id="M7"><msup><mrow><mi>δ</mi></mrow><mrow><mi>L</mi></mrow></msup></math> http://notExist.jpg http://notExist.jpg 3.38666677 3.04799986 表示最后一层的误差， <math id="M8"><msup><mrow><mi>δ</mi></mrow><mrow><mi>l</mi></mrow></msup></math> http://notExist.jpg http://notExist.jpg 2.79399991 3.04799986 表示第 l 层的误差， <math id="M9"><mfrac><mrow><mtext>∂</mtext><mi>C</mi></mrow><mrow><mtext>∂</mtext><msubsup><mrow><mi>b</mi></mrow><mrow><mi>j</mi></mrow><mrow><mi>l</mi></mrow></msubsup></mrow></mfrac></math> http://notExist.jpg http://notExist.jpg 5.16466665 8.72066689 表示第 l 层的第 j 个神经元的偏导数，由此更新参数 <math id="M10"><msubsup><mrow><mi>b</mi></mrow><mrow><mi>j</mi></mrow><mrow><mi>l</mi></mrow></msubsup></math> http://notExist.jpg http://notExist.jpg 2.70933342 3.97933340 ； <math id="M11"><mfrac><mrow><mtext>∂</mtext><mi>C</mi></mrow><mrow><mtext>∂</mtext><msubsup><mrow><mi>ω</mi></mrow><mrow><mi>j</mi><mi>k</mi></mrow><mrow><mi>l</mi></mrow></msubsup></mrow></mfrac></math> http://notExist.jpg http://notExist.jpg 6.51933336 8.72066689 表示第 l 层的第 j 个神经元的第 k 个分量的偏导数，由此更新参数 <math id="M12"><msubsup><mrow><mi>ω</mi></mrow><mrow><mi>j</mi><mi>k</mi></mrow><mrow><mi>l</mi></mrow></msubsup></math> http://notExist.jpg http://notExist.jpg 4.14866638 3.97933340 。 1.3　模型细节 2 在具体实现方法中，我们选择一个10层的卷积神经网络，而不是一个浅层的神经网络 [ 11 11 ] 。因为深层神经网络有更强大的表征能力，能够学习到更深层次的性质。为了防止过拟合，使用Dropout [ 12 12 ] 随机无效化一些神经元节点。在神经元传递过程中，让某些神经元不发挥更新权重作用。当隐藏层神经元被随机删除之后，全连接网络具有了一定的稀疏化，有效地减轻了不同特征的协同效应。有些特征可能会依赖于固定关系的隐含节点的共同作用，通过Dropout，能有效地防止神经网络过拟合，增加了神经网络的鲁棒性。为防止梯度消失的发生,我们放弃了tanh [ 13 13 ] 而采用relu [ 14 14 ] 激活函数，全连接层激活函数采用sigmoid。模型权重的初始化会影响反向传播算法的收敛性 [ 15 15 , 16 16 ] ，比较好的权重初始化方法会避免反向传播时不同层之间权重聚合的倍增影响，所以本文使用高斯分布初始化权重。 2　 实 验 1 2.1　数据来源 2 分别在文档类型的样本(恶意PDF文件)和非文档性的样本(WebShell)进行实验。本实验中PDF样本（10 518个恶意样本和9 000个良性样本）来自Contagio，WebShell样本（1 957个恶意样本和1 650个良性样本）来自github。 2.2　评判标准 2 对于二分类问题，精确度、召回率、准确率和漏报率常常作为模型的分类效果指标。精确度指被分类器判定为正例中的正样本比重，即 P = TP/(TP+FP)；召回率指被预测为正例的占总的正例的比重，即 R = TP/(TP+FN)；准确率反映了模型的判别能力，也就是正例被判定为正例，负例被判定为负例的比例，即 A = (TP+TN)/(TP+FP+TN+FN)。漏报率（100% <math id="M13"><mtext>-</mtext></math> http://notExist.jpg http://notExist.jpg 3.72533321 2.79399991 召回率 R ）反映出了模型对恶意样本的检测能力，数值越小，检测能力越强。其中，TP(true positive)指被预测为正的正样本，即实际为正例，预测为正例；FP(false positive)指被预测为正的负样本，即实际为负例，预测为正例；TN(true negative)指被预测为负的负样本，即实际为负例，预测为负例；FN(false negative)指被预测为负的正样本，即实际为正例，预测为负例。 2.3　恶意PDF文件检测 2 PDF文件是一种用object在逻辑上连接的层次结构。其结构由四个部分组成：1) 文件头：给出PDF的版本信息；2) 文件体：PDF文件的主要部分，包含所有的object；3) 交叉引用表：用来存储每个object在存储器中的地址；4) 文件尾：这部分给出了根object的相关信息和文档的修改次数。根object首先在逻辑层面被阅读器解析，新的修改版本在用户每次对PDF文件做出更改时改变，这就导致了新的文件尾的生成和交叉引用表的改变，这些改变会被追加在文件尾。 针对19 518个PDF文件数据集，使用70%的数据集用于训练模型，余下的30%数据作为测试集。训练集中损失度（即代价函数的值，实验中选用的是binary_crossentropy，表示模型预测结果和真实样本标签的拟合程度，数值越小越好）和正确率随训练次数的变化分别如 图2 图2 和 图3 图3 。从 图2 图2 中可以看到，损失度随着训练次数逐步下降，训练次数为175时损失度趋于平稳，模型达到稳定。从 图3 图3 中可以看到，准确率也在训练次数为175时趋于平稳，准确率稳定在99.8%左右。 为了验证本文方法的有效性，我们选取了PDFRate、Wepawet、PJScan等方法进行对比试验，在测试集上的对比结果如 表1 表1 所示。可以看到，本文的方法（JLMethod）的召回率（99.59%）明显优于PJScan（84.82%）、Wepawet（63.64%）和PDFRate（93.26%）；在精确度方面，Wepawet（100.00%）虽然优于JLMethod（99.65%），但Wepawet的漏报率（36.36%）比JLMethod（4.1‰）更高。这是因为Wepawet比较严格，只有发生恶意行为才被判定为恶意样本，所以该方法准确率较高，但是会有较多的恶意样本逃逸检测，造成较高的漏报率。 方法 TP FP FN TN P /% 2 R /% 2 A /% JLMethod 3 152 11 13 2 680 2 99.65 2 99.59 99.59 PDFRate 277 21 20 276 2 92.95 2 93.26 93.09 Wepawet 805 0 460 1 265 2 100.00 2 63.64 81.83 PJScan 1 073 207 192 1 058 2 83.83 2 84.82 84.23 2.4　恶意HTML（WebShell）检测 2 WebShell常常被称为入侵者通过网站端口对网站服务器的某种程度上操作的权限,由于其大多是以网页脚本的形式出现，也有人称之为网站后门工具。WebShell常被站长用于网站管理、服务器管理等，根据FSO权限的不同，其作用有在线编辑网页脚本、上传下载文件、查看数据库、执行任意程序命令等，它易被入侵者利用来控制网站服务器。 WebShell有非常强的隐蔽性。有些恶意网页脚本可以嵌套在正常网页中运行，且不容易被查杀。 WebShell可以穿越服务器防火墙，由于与被控制的服务器或远程主机交换的数据都是通过80端口传递的，因此不会被防火墙拦截。使用WebShell一般不会在系统日志中留下记录，只会在网站的web日志中留下一些数据提交记录，没有经验的管理员是很难看出入侵痕迹的。 在实验中，我们收集了php WebShell 1 957个和正常php文件1 650个。70%的数据集用于模型训练，30%作为模型测试。实验结果如 表2 表2 所示。由 表2 表2 可知，本文的方法JLMethod在精确度（98.81%）、召回率（99.15%）和漏报率（8.5‰）方面均优于基于特征、基于SVM、基于日志的WebShell检测方法。 方法 TP FP FN TN P /% R /% 2 A /% JLMethod 582 7 5 488 98.81 2 99.15 98.89 基于特征 - - - - 79.99 2 96.44 87.45 基于决策树 - - - - 84.86 2 98.03 91.07 基于SVM - - - - 87.65 2 98.62 92.81 3　 结 语 1 恶意样本检测一直是网络安全领域的热点和难点问题，传统的恶意样本检测方法大多是基于文本特征或统计特性，高结构化的恶意样本特征难以抽取，且漏报率、误报率较高。本文提出了一种在字节水平上的检测方法，依据深度学习在特征提取方面的优势，检测分类恶意样本。在恶意PDF检测和WebShell检测方面均取得了不错的效果。未来我们将考虑使用不同的特征组合方式以及不同的神经网络模型对现有的方法进行改进。 参考文献 ABADI M , BUDIU M , ERLINGSSON U , et al . Control-flow integrity [C]// CCS 05 Proceedings of the 12th ACM Conference on Computer and Communications Security . New York : ACM , 2005 : 340 - 353 .DOI:10.1145/1102120.1102165. Control-flow integrity NEWSOME J , SONG D . Dynamic Taint Analysis for Automatic Detection, Analysis, and Signature Generation of Exploits on Commodity Software [DB/OL]. [ 2018-10-18 ]. https://people.eecs.berkeley.edu/~dawnsong/papers/taintcheck.pdf https://people.eecs.berkeley.edu/~dawnsong/papers/taintcheck.pdf . Dynamic Taint Analysis for Automatic Detection, Analysis, and Signature Generation of Exploits on Commodity Software COVA M , KRUEGEL C , VIGNA G , et al . Detection and analysis of drive-by-download attacks and malicious JavaScript code [C]//WWW 10 Proceedings of the 19th International Conference on World Wide Web.New York: ACM , 2010 : 281 - 290 .DOI:10.1145/1772690.1772720. Detection and analysis of drive-by-download attacks and malicious JavaScript code LASKOV P , ŠRNDIĆ N . Static detection of malicious JavaScript-bearing PDF documents [C]// ACSAC 11 Proceedings of the 27th Annual Computer Security Applications Conference . New York : ACM ， 2011 : 373 - 382 . DOI:10.1145/2076732.2076785. Static detection of malicious JavaScript-bearing PDF documents MAIORCA D , GIACINTO G , CORONA I , et al . A pattern recognition system for malicious PDF files detection [C]// MLDM 12 Proceedings of the 8th International Conference on Machine Learning and Data Mining in Pattern Recognition . Berlin : Springer⁃Verlag , 2012 : 510 - 524 . DOI:10.1007/978-3-642-31537-4_40. A pattern recognition system for malicious PDF files detection SMUTZ C , STAVROU A . Malicious PDF detection using metadata and structural features [C]// ACSAC 12 Proceedings of the 28th Annual Computer Security Applications Conference . New York : ACM ， 2012 : 239 - 248 . DOI:10.1145/2420950.2420987. Malicious PDF detection using metadata and structural features SRNDIC N , LASKOV P . Detection of Malicious PDF Files Based on Hierarchical Document Structure [DB/OL]. [ 2018-09-20 ]. http://wp.internetsociety.org/ndss/wp-content/uploads/sites/25/2017/09/12_3_0.pdf http://wp.internetsociety.org/ndss/wp-content/uploads/sites/25/2017/09/12_3_0.pdf . Detection of Malicious PDF Files Based on Hierarchical Document Structure 胡建康 , 徐震 , 马多贺 , 等 . 基于决策树的 WebShell 检测方法研究 [J]. 网络新媒体技术 , 2012 ， 1 ( 6 ): 15 - 19 . 基于决策树的 WebShell 检测方法研究 HU J K , XU Z , MA D H , et al . Research of Webshell detection based on decision tree [J]. Network and New Media Technology , 2012 ， 1 ( 6 ): 15 - 19 (Ch) . Research of Webshell detection based on decision tree 孟正 , 梅瑞 , 张涛 , 等 . Linux下基于SVM分类器的WebShell检测方法研究 [J]. 信息网络安全 , 2014 ，( 5 ): 5 - 9 . Linux下基于SVM分类器的WebShell检测方法研究 MENG Z , MEI R , ZHANG T , et al . Research of Linux WebShell detection based on SVM classifier [J]. Netinfo Security , 2014 ， (5):5-9(Ch) . Research of Linux WebShell detection based on SVM classifier 石刘洋 , 方勇 . 基于Web日志的Webshell检测方法研究 [J]. 信息安全研究 , 2016 , 2 ( 1 ): 66 - 73 . 基于Web日志的Webshell检测方法研究 SHI L Y , FANG Y . Webshell detection method research based on Web log [J]. Information Security Research , 2016 , 2 ( 1 ): 66 - 73 (Ch) . Webshell detection method research based on Web log BENGIO Y , LECUN Y . Scaling Learning Algorithms Toward AI [DB/OL]. [ 2018-06-02 ]. http://cseweb.ucsd.edu/~gary/cs200/s12/bengio-lecun-07.pdf http://cseweb.ucsd.edu/~gary/cs200/s12/bengio-lecun-07.pdf . Scaling Learning Algorithms Toward AI SRIVASTAVA N , HINTON G , KRIZHEVSKY A , et al . Dropout: A simple way to prevent neural networks from overfitting [J]. Journal of Machine Learning Research , 2014 , 15 ( 1 ): 1929 - 1958 . Dropout: A simple way to prevent neural networks from overfitting KRIZHEVSKY A , SUTSKEVER I , HINTON G E , et al . ImageNet classification with deep convolutional neural networks [C]// NIPS 12 Proceedings of the 25th International Conference on Neural Information Processing Systems . Nevada ： Curran Associates Inc , 2012 : 1097 - 1105 . ImageNet classification with deep convolutional neural networks HAHNLOSER R H , SARPESHKAR R , MAHOWALD M A , et al . Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit [J]. Nature , 2000 , 405 ( 6789 ): 947 - 951 . DOI: 10.1038/35016072 http://dx.doi.org/10.1038/35016072 . Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit GLOROT X , BENGIO Y . Understanding the Difficulty of Training Deep Feedforward Neural Networks [DB/OL]. [ 2018-09-30 ]. http://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf http://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf . Understanding the Difficulty of Training Deep Feedforward Neural Networks HE K , ZHANG X , REN S , et al . Delving deep into rectifiers: Surpassing human-level performance on imageNet classification [C]// ICCV 15 Proceedings of the 2015 IEEE International Conference on Computer Vision (ICCV) . Washington D C : IEEE Computer Society , 2015 : 1026 - 1034 . DOI:10.1109/ICCV.2015.123. Delving deep into rectifiers: Surpassing human-level performance on imageNet classification 10.14188/j.1671-8836.2019.06.006 TP 309 A 1671-8836（2019）06-0571-05 ZHAO Lei,JIN Yinshan,LIU Qinliang, et al .High-Structured Malicious Sample Detection Method Based on Deep Learning [J]. J. Wuhan Univ. （ Nat. Sci. Ed ）,2019,65(6):571-575. DOI:10.14188/j.1671-8836.2019.06.006(Ch). ZHAO Lei,JIN Yinshan,LIU Qinliang,et al.High-Structured Malicious Sample Detection Method Based on Deep Learning [J].J. Wuhan Univ.（Nat. Sci. Ed）,2019,65(6):571-575. DOI:10.14188/j.1671-8836.2019.06.006(Ch). 赵磊,金银山,刘勤亮, 等.基于深度学习的高结构化恶意样本的检测方法[J].武汉大学学报（理学版）,2019,65(6):571-575. DOI:10.14188/j.1671-8836.2019.06.001 赵磊,金银山,刘勤亮, 等.基于深度学习的高结构化恶意样本的检测方法[J].武汉大学学报（理学版）,2019,65(6):571-575. DOI:10.14188/j.1671-8836.2019.06.001 国家自然科学基金（61672394， 61872273） 2018-09-30 2019-12-24 2020-05-21 武汉大学学报（理学版） 6 65