TF-IDF 특징 추출과 머신 러닝 기반 웹공격 탐지 시스템 구현 연구
An Implementation of TF-IDF Feature Extraction and Machine Learning Based Web Attack Detection System
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
웹 애플리케이션의 급속한 확산과 함께 HTTP 기반 사이버 공격이 지속적으로 증가하고 있어효과적인 웹 공격 탐지 시스템의 필요성이 대두되고 있다. 본 연구에서는 TF-IDF 특징 추출 기법과 다중 머신러닝 분류기를 결합한 웹 공격 탐지 시스템을 제안하고 성능을 평가하였다. HTTP 요청 데이터를 텍스트로 처리하여 자연어 처리 기법을 적용하고, Logistic Regression, Random Forest, XGBoost 분류기를 CSIC 2010 HTTP 데이터셋으로 평가하였다. 실험 결과, XGBoost 모델이98.77%의 정확도와 0.994의 ROC AUC, PR AUC를 달성하여 가장 우수한 성능을 보였으며, Random Forest와 Logistic Regression은 각각 97.50%, 97.83%의 정확도를 기록하였다. 모든 모델이96% 이상의 정밀도를 보여 실제 운영 환경에서의 적용 가능성을 입증하였다. 본 연구는 복잡한딥러닝 모델을 사용하지 않고도, 해석 가능한 머신러닝 접근법으로 경쟁력 있는 성능을 달성할수 있음을 보여준다.
Abstract
With the rapid proliferation of web applications, HTTP-based cyberattacks continue to rise, underscoring the need for effective web attack detection systems. This study proposes and evaluates a detection system that combines TF-IDF feature extraction with multiple machine-learning classifiers. Treating HTTP request data as text, we apply natural language processing techniques and assess Logistic Regression, Random Forest, and XGBoost using the CSIC 2010 HTTP dataset. Experiments show that XGBoost achieves the best performance with 98.77% accuracy, 0.994 ROC AUC, PR AUC, while Random Forest and Logistic Regression attain accuracies of 97.50% and 97.83%, respectively. All models deliver precision above 96%, demonstrating their viability for deployment in real-world environments. The results indicate that interpretable machine-learning approaches can achieve competitive performance without resorting to complex deep learning models.