基于结构引导的方向分解Lp–L2正则化方法在叠前多参数地震反演中的应用 陈浩（Hao Chen） 黄汉东（Handong Huang） 崔刚（Gang Cui） 彭家辉（Jiahui Peng） 吴亚宁（Yaning Wu）

《Applied Sciences》：Structure-Guided Directional-Decomposition Lp–L2 Regularization for Prestack Multi-Parameter Seismic Inversion Hao Chen, Handong Huang, Gang Cui, Jiahui Peng and Yaning Wu

　　

摘要

随着Web应用程序的不断发展和普及，Web攻击的数量也在激增，其中注入漏洞被认为是最关键、最普遍且最严重的攻击类型之一。SQL注入攻击是一种利用Web应用程序中的缺陷来执行恶意SQL命令的攻击方式。本研究旨在评估基于查询模式检测SQL注入攻击的机器学习算法的有效性。所提出的方法包括数据预处理，使用XGBoost、AdaBoost、SVM和Light Gradient Boost等机器学习（ML）算法，并比较它们的性能。实验使用了Kaggle上公开提供的SQL注入数据集进行测试。本研究使用了两个数据集：一个用于训练和测试分类器，另一个用于评估其性能。数据集通过TF-IDF进行特征提取，模型评估采用了准确性、精确度、召回率和F1分数等标准性能指标。根据测试结果，SVM在所有指标上的表现均优于其他模型，其准确率为0.9847，精确率为0.9847，召回率为0.9847，F1分数为0.9874，紧随其后的是XGBoost。Light Gradient Boost和AdaBoost在所有指标上的表现较低，这表明SVM和XGBoost是更有效的分类器。这些发现突显了机器学习方法（尤其是SVM）在识别SQL注入攻击和增强Web应用程序安全性方面的有效性。