網(wǎng)頁設(shè)計(jì)中惡意代碼檢測算法構(gòu)建

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了網(wǎng)頁設(shè)計(jì)中惡意代碼檢測算法構(gòu)建范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：當(dāng)前互聯(lián)網(wǎng)技術(shù)快速發(fā)展，人們的網(wǎng)絡(luò)使用頻率也越來越高。瀏覽網(wǎng)頁成了大眾獲取資訊信息以及進(jìn)行娛樂休閑的重要手段。但是在網(wǎng)頁瀏覽過程中，網(wǎng)頁惡意代碼的存在極大影響了網(wǎng)絡(luò)用戶的上網(wǎng)體驗(yàn)，為了有效解決這一問題，將分析如何在網(wǎng)頁安全管理中建立對惡意代碼的檢測方案。通過分析惡意代碼特征，并借助詞頻統(tǒng)計(jì)挖掘代碼特征，獲取特征值，從而及時發(fā)現(xiàn)并召回惡意代碼，避免其破壞網(wǎng)頁的流暢運(yùn)行。

關(guān)鍵詞：惡意代碼；檢測算法；安全管理

在信息時代，互聯(lián)網(wǎng)技術(shù)在人們生活、娛樂、休閑等行為活動中的占比逐漸增大。網(wǎng)絡(luò)成為大眾獲取信息、了解世界的重要窗口。但是，在網(wǎng)絡(luò)技術(shù)逐漸滿足人們?nèi)粘ＹY訊需求的同時，因?yàn)閻阂獯a所帶來的網(wǎng)絡(luò)安全事故也嚴(yán)重影響著廣大網(wǎng)絡(luò)用戶的計(jì)算機(jī)安全。惡意代碼對網(wǎng)頁有很大的破壞性，如果不能在短時間內(nèi)發(fā)現(xiàn)惡意代碼，將會對網(wǎng)頁平臺以及訪問網(wǎng)頁的互聯(lián)網(wǎng)用戶造成巨大損失，故出于減小惡意代碼威脅的目的，網(wǎng)頁安全管理人員要構(gòu)建起良好的檢測算法，及時發(fā)現(xiàn)和根除威脅，保證網(wǎng)頁安全。

1網(wǎng)頁惡意代碼的概念及攻擊方式

搭建一個網(wǎng)頁通常會用到ActiveX等控件和JavaScript等編程語言，惡意代碼就是以這些控件和語言腳本為攻擊點(diǎn)，在網(wǎng)頁運(yùn)行時查找電腦安全漏洞，以未經(jīng)網(wǎng)頁運(yùn)行者同意或者知曉的方式執(zhí)行網(wǎng)頁內(nèi)的控件腳本來達(dá)到某種具有惡意和破壞性目的[1]。如果用戶在訪問網(wǎng)頁時不小心觸發(fā)了惡意代碼，有一定概率造成用戶的主機(jī)被惡意程序入侵，產(chǎn)生用戶電腦系統(tǒng)的注冊表設(shè)置或者程序配置被篡改，電腦資源被惡意盜取或刪除，引發(fā)電腦死機(jī)和資料丟失等惡果。惡意代碼的攻擊方式有兩種，一種主動攻擊，這種攻擊方式容易被察覺，并被防火墻阻隔。因此當(dāng)前大部分的惡意代碼采用的是第二種攻擊方式，也就是被動攻擊模式，這種攻擊方式通過SQL注入或者跨站腳本攻擊等手段獲取服務(wù)器的控制權(quán)，在得到控制權(quán)后，攻擊者會在網(wǎng)頁的服務(wù)器中植入＜iframe＞標(biāo)簽或者JavaScript惡意代碼，當(dāng)用戶在訪問網(wǎng)頁時，事先植入的標(biāo)簽或者代碼被觸發(fā)，引起多次重定向操作。訪問者的訪問界面會被強(qiáng)制性轉(zhuǎn)移到攻擊者制作的惡意網(wǎng)頁，在進(jìn)入惡意網(wǎng)頁后，攻擊程序會檢查訪問者電腦的系統(tǒng)環(huán)境，尋找其中可能存在的漏洞，一旦發(fā)現(xiàn)存在漏洞可以利用，程序就會對訪問者的主機(jī)發(fā)動攻擊，執(zhí)行各種強(qiáng)迫性操作，比如不經(jīng)用戶同意或允許，將各種垃圾程序強(qiáng)行安裝到用戶電腦，擠占資源，或者修改用戶的系統(tǒng)環(huán)境參數(shù)，造成電腦運(yùn)行卡頓，數(shù)據(jù)外泄等。歸納而言，網(wǎng)頁惡意代碼的攻擊過程可以分為五個步驟：①將惡意代碼嵌入網(wǎng)頁服務(wù)器；②在網(wǎng)頁服務(wù)器接收到用戶請求后觸發(fā)；③在用戶返回網(wǎng)頁時攻擊用戶瀏覽器，或者進(jìn)行重定向操作強(qiáng)迫用戶的訪問頁面跳轉(zhuǎn)，進(jìn)入攻擊者所制作的惡意網(wǎng)頁；④惡意網(wǎng)頁檢查用戶主機(jī)系統(tǒng)的安全防護(hù)情況，尋找安全漏洞和攻擊機(jī)會；⑤觸發(fā)漏洞后搶奪主機(jī)權(quán)限，獲得電腦控制權(quán)，進(jìn)行惡意操作，損害用戶利益。由此可見，攻擊者出于隱蔽性和保密性的目的，多采用惡意代碼被訪問者觸發(fā)再發(fā)起攻擊的被動攻擊模式，這讓惡意代碼存在一定的潛伏性，在網(wǎng)頁安全管理中較難察覺，因此管理者需要加強(qiáng)對檢測算法的構(gòu)建，篩查和發(fā)現(xiàn)網(wǎng)頁中的惡意代碼，并及時清除，防止對訪問用戶的主機(jī)造成傷害，引發(fā)網(wǎng)絡(luò)安全事故。

2檢測惡意代碼的算法類型

常用的網(wǎng)頁惡意代碼檢測算法有支持向量機(jī)、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)三種，三種算法的檢測效果各有不同，需要結(jié)合網(wǎng)頁的安全管理需求適當(dāng)挑選。（1）支持向量機(jī)支持向量機(jī)是一種常見的分類算法，在惡意代碼檢測工作中應(yīng)用較多，該算法最早提出于1995年，由Vapnik等人所設(shè)計(jì)，其原理是利用統(tǒng)計(jì)學(xué)習(xí)理論，采用非線性映射，將樣本數(shù)據(jù)從低維映射到高維特征空間，并在高維空間中搭建間隔超平面，實(shí)現(xiàn)各種類型數(shù)據(jù)的有效分隔[2]。支持向量機(jī)的決策函數(shù)又稱核函數(shù)，在使用支持向量機(jī)的過程中，確定最佳核函數(shù)才能讓模型效果達(dá)到最好，如圖1所示。從圖1可見在支持向量機(jī)的二維特征空間中，邊界兩邊是各種類別樣本的分隔處，管理者可以通過對決策邊界進(jìn)行確定，解決存在的樣本分類問題，也就是f：wχ+b=0的邊界問題，在邊界函數(shù)中，如果向量w和參數(shù)b可以得到確認(rèn)，那么就能確定邊界f，分類問題也就可以得到解決。不過在支持向量機(jī)的特征空間中，往往存在很多相互平行或者不同方向的決策邊界，為了確保樣本分類的準(zhǔn)確性，SVM需要得到最佳的分離決策邊界，從而讓樣本邊緣達(dá)到最大，分類效果達(dá)到最佳。（2）樸素貝葉斯樸素貝葉斯是貝葉斯分類算法的算法模式之一，該算法以概率統(tǒng)計(jì)理論為基礎(chǔ)，通過假設(shè)類中的特征各自獨(dú)立、互不影響來確定數(shù)據(jù)樣本歸類[3]。不過在現(xiàn)實(shí)情況中，樸素貝葉斯所設(shè)定的特征A、B、C彼此的存在互不關(guān)聯(lián)很難成立，所以一般采取降低屬性依賴關(guān)系的方式來提升樸素貝葉斯的分類準(zhǔn)確率。具體做法是將所有的數(shù)據(jù)樣本設(shè)為n維度特征向量X表示，即X=χ1，χ2，χ3，χ4...，χn，所有的數(shù)據(jù)樣本又可以分成m個類，即表示為C1，C2，C3，C4，...Cm.在網(wǎng)頁安全管理中，管理人員預(yù)測到新數(shù)據(jù)樣本X，按照樸素貝葉斯的分類方法將該新數(shù)據(jù)樣本標(biāo)記成Ci，表示X被分到了i類，此時新樣本數(shù)據(jù)具最高后驗(yàn)概率，計(jì)算公式為P�CiX�＞P�CjX�，其中1≤j≤，且。依照貝葉斯定律的計(jì)算公式為：P（Ci/X）＞P（X/Cj）×P（Ci）/P（X）在安全管理人員給定預(yù)測數(shù)據(jù)樣本之后，P(X)作為常數(shù)，這樣對數(shù)據(jù)樣本的分類就不會有影響，安全管理人員只需計(jì)算出P(X/Cj)×P(Ci)就能得到最大的P(Ci/X)，而P(Ci)的計(jì)算公式為P(Ci)=Si/S，P(X/Cj)的計(jì)算公式為P(Cj/X)=∏P(χk)/nk=1Ci。其中，S表示數(shù)據(jù)樣本的綜述，Si表示Ci類別的數(shù)據(jù)樣本數(shù)，根據(jù)最終的計(jì)算結(jié)果，安全管理人員可以知曉新數(shù)據(jù)樣本屬于哪一類的概率較大，并適當(dāng)歸類。如當(dāng)根據(jù)樸素貝葉斯計(jì)算新數(shù)據(jù)樣本含惡意代碼的概率小于不含惡意代碼概率，那么被測網(wǎng)頁就會被歸類為正常網(wǎng)頁，但如果數(shù)據(jù)樣本的含惡意代碼概率大于不含惡意代碼概率，那么被測網(wǎng)頁就會被歸類到惡意網(wǎng)頁。（3）神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)的模型多采用BP網(wǎng)絡(luò)，其結(jié)構(gòu)為三層神經(jīng)網(wǎng)絡(luò)，即該網(wǎng)絡(luò)有三層處理單元，除輸入層外，還有隱含層和輸出層，不同層有各自的神經(jīng)元，具體如圖2所示[4]。從圖中可見，神經(jīng)網(wǎng)絡(luò)是一個向前反饋的數(shù)據(jù)網(wǎng)絡(luò)，當(dāng)隱含層和輸出層這兩層處理單元接收到反饋時，會檢測其效果是否達(dá)標(biāo)，并通過修改權(quán)重讓訓(xùn)練持續(xù)下去，并以這樣不斷地在反饋接受中修改權(quán)重，持續(xù)訓(xùn)練，來起到減少誤差的目的，最終完成訓(xùn)練效果，實(shí)現(xiàn)對數(shù)據(jù)的預(yù)測和分類。

3檢測惡意代碼的算法構(gòu)建

檢測惡意代碼的算法以上述三個算法為基礎(chǔ)，采取區(qū)塊鏈技術(shù)，增加賬戶數(shù)據(jù)和本地訪問，在區(qū)塊鏈類型中，訪問是用哈希值形式存儲在塊數(shù)據(jù)，同時，因?yàn)閴K頭上增加了賬戶樹根，區(qū)塊數(shù)據(jù)結(jié)構(gòu)如圖3所示。其中，Time是時間戳，是對礦工挖礦的時間記錄，而Nonce是作為礦工計(jì)算出的一個不超過要求值的哈希值，是礦工完成工作量的證明。從圖3的區(qū)塊數(shù)據(jù)結(jié)構(gòu)可見，在區(qū)塊鏈中，PrevBlockHash是以前塊的整個塊數(shù)據(jù)進(jìn)行哈希運(yùn)算后得到的哈希指針，這個哈希指針從結(jié)構(gòu)中的前塊指向后塊，所以后塊就保留了前塊的哈希值，也就是說每個區(qū)塊中會保存上一個塊的哈希值，這樣一來就形成了鏈?zhǔn)浇Y(jié)構(gòu)，同時輕量型區(qū)塊鏈也具備了不可篡改性。因?yàn)橄乱粋€塊要記錄上一個塊的哈希值，如果改動任意一個區(qū)塊的身前區(qū)塊數(shù)據(jù)，就會引發(fā)數(shù)據(jù)沖突，而身后區(qū)塊的PrevBlockHash就會對身前區(qū)塊的數(shù)據(jù)進(jìn)行檢驗(yàn)，避免了訪問中存在的數(shù)據(jù)錯誤，利用這種逐層計(jì)算訪問哈希值的方式，檢驗(yàn)訪問本身的合法性。在運(yùn)行區(qū)塊鏈時，操作人員只需要將訪問中需要計(jì)算的訪問數(shù)據(jù)和該區(qū)塊中其他訪問做運(yùn)算，然后將ROOT值做簡單比較就可以驗(yàn)證訪問合法性。當(dāng)發(fā)現(xiàn)疑似不合法信息時，獲取網(wǎng)頁的源代碼文件，然后進(jìn)行檢測，三種算法會對網(wǎng)頁源代碼使用正則表達(dá)式進(jìn)行處理，提取其中的＜iframe＞和＜script＞兩個標(biāo)簽之間的代碼，并對提取到的代碼做詞頻統(tǒng)計(jì)和詞頻向量化處理，從中獲取到特征，在獲取到特征之后使用訓(xùn)練好的模型對網(wǎng)頁進(jìn)行分類，判定網(wǎng)頁屬于正常網(wǎng)頁還是惡意網(wǎng)頁，當(dāng)網(wǎng)頁被三種算法中的兩種認(rèn)定為正常網(wǎng)頁時，表明該網(wǎng)頁不存在惡意代碼，如果有至少兩種算法認(rèn)定該網(wǎng)頁屬于惡意網(wǎng)頁，表明該網(wǎng)頁存在惡意代碼。

4結(jié)語

綜上所述，網(wǎng)頁運(yùn)行的安全性與穩(wěn)定性，能夠?qū)W(wǎng)絡(luò)用戶的休閑娛樂、資訊信息獲取產(chǎn)生促進(jìn)作用。但是計(jì)算機(jī)在使用中容易受到網(wǎng)絡(luò)安全隱患，為廣大用戶日常生活帶來了不利影響。管理人員必須在網(wǎng)絡(luò)安全防護(hù)中增加投入，既要建立完善的檢測算法，也要配置先進(jìn)的軟件設(shè)備，并增強(qiáng)用戶網(wǎng)絡(luò)安全防護(hù)意識，才能構(gòu)建安全、穩(wěn)定的網(wǎng)絡(luò)環(huán)境，真正發(fā)揮出網(wǎng)頁的信息共享和傳遞功能。

參考文獻(xiàn)：

[1]邵福駿.移動平臺惡意軟件檢測算法的設(shè)計(jì)與實(shí)現(xiàn)[D].電子科技大學(xué)，2020.

[2]基于N-gram特征的網(wǎng)絡(luò)惡意代碼分析方法[J].數(shù)字技術(shù)與應(yīng)用，2020，357（03）：59-60+62.

[3]朱翔宇，張健，高鋮，等.基于虛擬化環(huán)境惡意代碼檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].天津理工大學(xué)學(xué)報(bào)，2020，158（01）：15-20+27.

[4]張華，陳淑珍.基于BP神經(jīng)網(wǎng)絡(luò)算法的惡意代碼檢測系統(tǒng)[J].莆田學(xué)院學(xué)報(bào)，2020，130（05）：75-80.

作者:謝淑林 單位:福建寧德財(cái)經(jīng)學(xué)校