Giới thiệu tài liệu
Đề án này tập trung vào việc phát hiện các cuộc tấn công XSS (Cross-Site Scripting) bằng cách sử dụng các mô hình học sâu tiên tiến. Mục tiêu là cải thiện độ chính xác và hiệu quả của việc phát hiện các cuộc tấn công này, từ đó bảo vệ người dùng và tổ chức khỏi các mối đe dọa an ninh mạng.
Đối tượng sử dụng
Sinh viên, nhà nghiên cứu, chuyên gia an ninh mạng quan tâm đến lĩnh vực phát hiện và ngăn chặn tấn công XSS.
Nội dung tóm tắt
Đề án này trình bày một phương pháp tiếp cận mới để phát hiện các cuộc tấn công XSS bằng cách kết hợp mô hình CodeBERT và cơ chế Attention. CodeBERT, một mô hình ngôn ngữ được huấn luyện trước trên cả mã nguồn và ngôn ngữ tự nhiên, được sử dụng để trích xuất các đặc trưng ngữ nghĩa từ các đoạn mã XSS tiềm ẩn. Cơ chế Attention sau đó được áp dụng để tập trung vào các phần quan trọng nhất của mã, giúp mô hình phân loại chính xác hơn. Đề án cũng trình bày các kết quả thực nghiệm so sánh với các phương pháp phát hiện XSS truyền thống và các mô hình học máy khác, cho thấy sự vượt trội của phương pháp đề xuất về độ chính xác, độ nhạy và F1-score. Ngoài ra, đề án còn thảo luận về các thách thức và hướng nghiên cứu trong tương lai để cải thiện hơn nữa khả năng phát hiện XSS.
