随着网络的发展,越来越多的用户信息在网络中传输,一旦发生信息泄露问题,将会给人们的信息安全带来很大的威胁。侧信道攻击是发生信息泄露的重要途径,由于输入数据的敏感性和应用的广泛性,Web应用中的自动建议是发生侧信道攻击的重要场景之一。如果可以进行侧信道泄露的检测,提前发现Web应用程序中存在的问题,让开发者对漏洞进行防御,就可以减少用户信息的泄露。因此对侧信道泄露的检测是保障信息安全的重要手段。本论文主要是基于深度学习方法,对搜索引擎中自动建议的侧信道泄露进行检测研究。本文主要工作如下。首先,针对目前有限的工具对网络延迟噪音等情况处理不足的问题,提出噪音过滤算法,该算法包含3种噪音过滤的策略。根据数据包协议、IP地址和数据包大小三种策略对网络流量文件进行噪音过滤,提高数据集的质量。其次,通过分析数据包中的属性特征,从过滤好的网络流量文件中构建单一属性特征向量和聚合属性特征向量。探究两种属性特征向量对侧信道泄露程度的影响。再次,为提高分类准确率,针对单一属性特征向量和聚合属性特征向量序列类型的数据,本文提出使用长短期记忆网络（LSTM）来检测在搜索引擎中自动建议情景下的侧信道漏洞。结合属性特征向量和LSTM,构建基于属性特征向量和LSTM的侧信道泄露检测模型,并用评价指标量化侧信道泄露程度。最后,对本文提出的噪音过滤策略与侧信道泄露检测模型进行实验验证和结果分析,通过设置不同的对比实验,验证噪音过滤算法与侧信道泄露检测算法LSTM的有效性和准确性。