基于机器学习的 SQL 注入检测：数据源视角
密码学与安全
2023-04-25 v1 机器学习
摘要
在 SQL 发明近 50 年后，注入攻击仍是当今 ICT 系统的顶级漏洞。因此，SQLi 检测仍是一个活跃的研究领域，近期工作将机器学习技术纳入所提出的解决方案中。本文中，我们聚焦于四个方面突出以往基于 ML 的结果的不足：评估方法、模型参数优化、所用数据集的分布，以及特征选择。由于尚无单一工作令人满意地探究所有这些方面，我们填补此空白并提供深入且全面的实证分析。此外，我们通过使用来自其他分布的数据对训练模型进行交叉验证。这一 ML 模型（为 SQLi 检测而训练）的方面从未被研究过。然而，模型性能对此的敏感性对任何实际部署都至关重要。最后，我们在一个真实工业 SQLi 数据集上验证我们的发现。
引用
@article{arxiv.2304.12115,
title = {SQLi Detection with ML: A data-source perspective},
author = {Balazs Pejo and Nikolett Kapui},
journal= {arXiv preprint arXiv:2304.12115},
year = {2023}
}
备注
Extended version of an accepted paper at SECRYPT 2023