diff --git a/XSS_detection-main.py b/XSS_detection-main.py
new file mode 100644
index 0000000..910312f
--- /dev/null
+++ b/XSS_detection-main.py
@@ -0,0 +1,132 @@
+# -*- coding: utf-8 -*-
+"""mainsql-autoencoder.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1cXWyb8QCCnNhwPSI-An__38RDP1fRi0s
+"""
+
+import numpy as np
+import pandas as pd
+from sklearn.metrics import classification_report, confusion_matrix
+from sklearn.model_selection import train_test_split
+from sklearn.preprocessing import StandardScaler
+import tensorflow as tf
+from tensorflow.keras.models import Model
+from tensorflow.keras.layers import Input, Dense
+
+#1 Carrega o dataset de treino
+df_treino = pd.read_csv("XSSTraining.csv")
+
+# Separa os dados em variáveis independentes (X) e a variável alvo (y):
+X = df_treino.drop("Class", axis=1)  # Remove a coluna "Class" para usar como entrada
+y = df_treino["Class"].apply(lambda x: 1 if x == "Malicious" else 0)  # Converte rótulo para binário: 1 = ataque, 0 = normal
+
+#2 Divide os dados em treino e teste, mantendo a proporção das classes
+X_treino, X_teste, y_treino, y_teste = train_test_split(
+    X, y, test_size=0.2, random_state=42, stratify=y  # 20% para teste, estratificado por classe
+)
+
+#3 Normaliza apenas os dados normais do conjunto de treino
+escala = StandardScaler()  # Inicializa o normalizador
+X_treino_normal = X_treino[y_treino == 0]  # Filtra apenas os dados normais
+X_treino_normal_escala = escala.fit_transform(X_treino_normal)  # Ajusta e transforma os dados normais
+X_teste_escala = escala.transform(X_teste)  # Aplica a mesma transformação ao conjunto de teste
+
+#4 Define a arquitetura do Autoencoder
+input_dim = X.shape[1]  # Número de atributos de entrada
+input_layer = Input(shape=(input_dim,))  # Camada de entrada
+
+# Camadas de codificação
+encoded = Dense(16, activation='relu')(input_layer)
+encoded = Dense(8, activation='relu')(encoded)
+
+# Camadas de decodificação
+decoded = Dense(16, activation='relu')(encoded)
+decoded = Dense(input_dim, activation='relu')(decoded)  #Reconstrói a entrada
+
+# Cria e compila o modelo Autoencoder
+autoencoder = Model(inputs=input_layer, outputs=decoded)
+autoencoder.compile(optimizer='adam', loss='mse')  #Usa o erro como função de perda
+
+#5 Treina o Autoencoder apenas com dados normais
+autoencoder.fit(
+    X_treino_normal_escala, X_treino_normal_escala,  #Entrada e saída são iguais
+    epochs=90, batch_size=32, shuffle=True,  #Treinamento por 90 épocas/ciclos
+    validation_split=0.1, verbose=1  # Usa 10% dos dados normais para validação
+)
+
+#6 Calcula o erro de reconstrução no conjunto de teste
+X_recalculo = autoencoder.predict(X_teste_escala)  #Reconstrói os dados de teste
+error = np.mean(np.square(X_teste_escala - X_recalculo), axis=1)  #Erro de reconstrução por amostra
+
+# Calcula o erro de reconstrução nos dados normais de treino
+reco_treino = autoencoder.predict(X_treino_normal_escala)
+mse_train = np.mean(np.square(X_treino_normal_escala - reco_treino), axis=1)
+
+#7 Busca o melhor threshold para detectar ataques
+porcentagens = range(70, 100, 2)  #Testa thresholds entre 70 e 98
+melhor_recall = 0
+melhor_threshold = 0
+melhor_resultado = {}
+
+y_teste_numeric = y_teste.values  #Converte para array NumPy
+
+# Loop para testar diferentes thresholds
+for x in porcentagens:
+    threshold = np.percentile(mse_train, x)  #Define threshold com base no erro dos dados normais
+    prev_loop = [1 if i > threshold else 0 for i in error]  #Classifica como ataque se erro > threshold
+
+    # Gera relatório de classificação
+    relatorio = classification_report(
+        y_teste_numeric, prev_loop,
+        target_names=["Normal", "Ataque"],
+        output_dict=True
+    )
+    recall_ataque = relatorio["Ataque"]["recall"]  #Extrai o recall da classe "Ataque"
+
+    # Atualiza o melhor resultado se o recall for maior
+    if recall_ataque > melhor_recall:
+        melhor_recall = recall_ataque
+        melhor_threshold = threshold
+        melhor_resultado = {
+            "percentil": x,
+            "precision": relatorio["Ataque"]["precision"],
+            "recall": recall_ataque,
+            "f1": relatorio["Ataque"]["f1-score"],
+            "matriz_confusao": confusion_matrix(y_teste_numeric, prev_loop)
+        }
+
+#8 Avaliação final no conjunto de teste original usando o melhor threshold
+prev_y = [1 if e > melhor_threshold else 0 for e in error]  # Classifica com base no melhor threshold
+
+# Exibe os resultados
+print("🔍 Avaliação no conjunto de teste original:")
+print("Matriz de Confusão:")
+print(confusion_matrix(y_teste_numeric, prev_y))
+
+print("\nClassification Report:")
+print(classification_report(y_teste_numeric, prev_y, target_names=["Normal", "Ataque"]))
+
+print("\nMelhor Resultado encontrado:")
+print(melhor_resultado)
+
+#9 Avaliação com novo dataset XSStesting
+df_xss = pd.read_csv("XSSTesting.csv")
+y_xss = df_xss["Class"].apply(lambda x: 1 if x == "Malicious" else 0)  #Converte rótulo para binário
+X_xss = df_xss.drop("Class", axis=1)  #Remove a coluna de classe
+
+X_xss_escala = escala.transform(X_xss)  #Normaliza os dados com o mesmo scaler
+X_xss_reconstruido = autoencoder.predict(X_xss_escala)  #Reconstrói os dados
+erro_xss = np.mean(np.square(X_xss_escala - X_xss_reconstruido), axis=1)  #Calcula erro de reconstrução
+
+prev_xss = [1 if e > melhor_threshold else 0 for e in erro_xss]  #Classifica com base no threshold ideal
+
+# Resultado
+print("\n🧪 Avaliação no dataset XSStesting:")
+print("Matriz de Confusão:")
+print(confusion_matrix(y_xss, prev_xss))
+
+print("\nClassification Report:")
+print(classification_report(y_xss, prev_xss, target_names=["Normal", "Ataque"]))