CINECA IRIS Institutional Research Information System
IRIS è la soluzione IT che facilita la raccolta e la gestione dei dati relativi alle attività e ai prodotti della ricerca. Fornisce a ricercatori, amministratori e valutatori gli strumenti per monitorare i risultati della ricerca, aumentarne la visibilità e allocare in modo efficace le risorse disponibili.
EnglishCode Injection attacks such as SQL Injection and Cross-Site Scripting (XSS) are among the major threats for today's web applications and systems. This paper proposes CODDLE, a deep learning-based intrusion detection systems against web-based code injection attacks. CODDLE's main novelty consists in adopting a Convolutional Deep Neural Network and in improving its effectiveness via a tailored pre-processing stage which encodes SQL/XSS-related symbols into type/value pairs. Numerical experiments performed on real-world datasets for both SQL and XSS attacks show that, with an identical training and with a same neural network shape, CODDLE's type/value encoding improves the detection rate from a baseline of about 75% up to 95% accuracy, 99% precision, and a 92% recall value.
Abaimov, S., & Bianchi, G. (2019). CODDLE: Code-Injection Detection with Deep Learning. IEEE ACCESS, 7, 128617-128627 [10.1109/ACCESS.2019.2939870].
| Tipologia: | Articolo su rivista | |
| Citazione: | Abaimov, S., & Bianchi, G. (2019). CODDLE: Code-Injection Detection with Deep Learning. IEEE ACCESS, 7, 128617-128627 [10.1109/ACCESS.2019.2939870]. | |
| Lingua: | English | |
| Settore Scientifico Disciplinare: | Settore ING-INF/03 | |
| Revisione (peer review): | Esperti anonimi | |
| Tipo: | Articolo | |
| Rilevanza: | Rilevanza internazionale | |
| Digital Object Identifier (DOI): | http://dx.doi.org/10.1109/ACCESS.2019.2939870 | |
| Stato di pubblicazione: | Pubblicato | |
| Data di pubblicazione: | 2019 | |
| Titolo: | CODDLE: Code-Injection Detection with Deep Learning | |
| Autori: | ||
| Autori: | Abaimov, S; Bianchi, G | |
| Appare nelle tipologie: | 01 - Articolo su rivista |
File in questo prodotto:
http://hdl.handle.net/2108/240051
Copyright © 2022