RAT：面向 Web 应用防火墙漏洞发现的强化学习驱动自适应测试
密码学与安全
2023-12-14 v1 人工智能
信息检索
摘要
由于 Web 攻击日益复杂，Web 应用防火墙（WAFs）必须定期进行测试和更新，以抵御持续不断的 Web 攻击流。在实践中，由于攻击模式种类繁多，使用暴力攻击来发现漏洞是不可行的。因此，文献中提出了各种黑盒测试技术。然而，这些技术存在效率低下的问题。本文提出了 RAT（Reinforcement-Learning-Driven and Adaptive Testing），一种自动化的黑盒测试策略，用于发现 WAF 中的注入漏洞。我们特别关注 SQL 注入和跨站脚本攻击，这两种漏洞在过去十年中一直位列十大漏洞之列。具体来说，RAT 将相似的攻击样本聚类在一起。然后，它利用强化学习技术结合一种新颖的自适应搜索算法，高效地发现几乎所有绕过攻击模式。我们根据其目标将 RAT 与三种最先进的方法进行了比较。实验表明，在测试配置良好的 WAF 时，RAT 在发现最多可能绕过有效载荷方面平均比同类方法高出 33.53%，在找到第一个绕过有效载荷前减少尝试次数方面平均高出 63.16%。
引用
@article{arxiv.2312.07885,
title = {RAT: Reinforcement-Learning-Driven and Adaptive Testing for Vulnerability Discovery in Web Application Firewalls},
author = {Mohammadhossein Amouei and Mohsen Rezvani and Mansoor Fateh},
journal= {arXiv preprint arXiv:2312.07885},
year = {2023}
}