An Implementation of TF-IDF Feature Extraction and Machine Learning Based Web Attack Detection System
Abstract
웹 애플리케이션의 급속한 확산과 함께 HTTP 기반 사이버 공격이 지속적으로 증가하고 있어 효과적인 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 모델이 98.77%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 모델이 96% 이상의 정밀도를 보여 실제 운영 환경에서의 적용 가능성을 입증하였다. 본 연구는 복잡한 딥러닝 모델을 사용하지 않고도, 해석 가능한 머신러닝 접근법으로 경쟁력 있는 성능을 달성할 수 있음을 보여준다.
Fields of Study & Subjects
Web Application Security Vulnerabilities
Network Security and Intrusion Detection
Adversarial Robustness in Machine Learning
Publication details
- Journal / source
- Journal of the Korea Society of Computer and Information
- Volume
- 31
- Issue
- 1
- Pages
- 109–120
- Publication date
- 31 January 2026
- Language
- EN