近年来,随着深度学习在图像分类、语音识别、自然语言处理等多个领域取得了前所未有的成功,深度学习也越来越多地被应用在了安全领域中,例如恶意软件检测、HTTP异常检测等。然而最近的研究发现深度学习容易受到精心设计的输入样本的攻击,这些人为精心构造的使模型产生误分类的样本被称为对抗样本,构造对抗样本的过程称为对抗攻击。对抗样本的出现给深度学习的广泛应用带来了巨大的安全挑战,特别是当深度学习被应用于安全领域时,对抗样本的存在将会造成更为严重的后果。与此同时,对抗样本的存在也可以激发更多防御算法的研究,从而更进一步提高神经网络的鲁棒性。因此,本文旨在研究安全领域中HTTP异常检测的对抗攻击问题。本文主要研究内容如下:1.提出了 FGSM+NNS对抗攻击算法。目前,对抗攻击的研究成果主要集中在图像分类领域,因此,本文在图像分类领域的FGSM对抗攻击算法的基础之上进行改进,提出了 FGSM+NNS对抗攻击算法,用于HTTP异常检测中对抗样本的构造。利用FGSM+NNS对抗攻击算法生成的对抗样本不仅能够成功欺骗HTTP异常检测模型,同时还能有效保持HTTP样本的功能完整性。2.提出了基于特征增强的对抗攻击算法和框架。在研究点一的基础上,本文进一步提出了基于特征增强的对抗攻击算法,该算法在原始样本中增强目标类别特征,使原始样本足够接近目标类别样本,从而定向地引导HTTP异常检测模型实现误分类,达到目标攻击的目的。相较于FGSM+NNS对抗攻击算法,利用该算法生成的对抗样本能够进一步提升对抗攻击的有效性,并且具有较好的可移植性。此外,本文更进一步将基于特征增强的对抗攻击算法归纳提炼成一种通用的基于特征增强的目标攻击框架,该框架主要由构建特征子空间、子空间搜索和特征增强三部分构成,不局限于解决本文的HTTP异常检测的对抗攻击问题,还可以应用于其他领域中对抗样本的构造。