现如今,网上用户信息泄漏事件频频发生,跨站脚本检测作为网络攻击检测的一部分,是网络安全领域研究人员的研究重点之一。传统的跨站脚本检测技术大多使用机器学习方法,存在代码被恶意混淆导致可读性不高、特征提取不充分并且效率低等缺陷。因此,本文提出了构建基于深度学习的XSS检测模型,有效地提高了模型对跨站脚本的特征提取能力,提高了模型检测的准确率并降低了模型检测的误报率。本文主要工作如下:1.分析了跨站脚本代码的特性,总结出XSS代码中存在局部关联性和长距离依赖的特性,并对这两个特性进行深入研究,得出两个特性之间并没有前后关联性的结论,基于该观点来构建模型验证这一结论。实验中,利用爬虫工具收集了10万余条样例数据包含XSS样例和正常样例,为了提高数据的可读性,利用多种解码技术解决样本数据的混淆问题,并运用word2vec将文本形式的样本数据转化为词向量数据。2.由于跨站脚本存在着上下文的长距离依赖的特点,如开始标签与结束标签之间存在着长段无意义的语句,而现有的长短时记忆网络模型在提取跨站脚本代码中下文对上文依赖特征存在着缺陷,本文构建双向长短时记忆网络模型来充分提取跨站脚本的上下文依赖特征,并运用softmax分类器实现跨站脚本检测。实验验证,与单向长短时记忆网络模型相比,双向长短时记忆网络模型提取的特征更为充分,检测准确率提高了1.5%。3.由于跨站脚本存在局部相关性高和长距离依赖的特点,而双向长短时记忆网络模型提取的特征中忽略了局部特征且有与跨站脚本相关性不高的信息,本文应用注意力机制改进Encoder-Decoder框架,针对局部关联性和长距离依赖性这两个特征关联性不高的特点,由卷积神经网络和双向门控循环单元网络并行构成Encoder,既考虑跨站脚本的上下文信息又提取局部信息,充分提取有效特征;其次,使用注意力机制计算输入数据对跨站脚本的注意力权重,解决传统Encoder-Decoder模型框架的“分心问题”,最终得到了准确率为99.27%、误报率为0.05%的检测效果。