.png){kind=icon}
返回
Machine-Learning-Based Detection of SQL Injection Attacks in Web Applications
.png){kind=icon}
PRE
AI
DOI：10.3390/app16104691.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着Web应用程序的开发和普及，网络攻击呈激增趋势，其中注入漏洞被认为是至关重要、广泛存在且危害严重的类型。SQL注入攻击是一种重大攻击类型，利用Web应用程序的缺陷执行恶意SQL命令。本研究旨在评估基于查询模式的机器学习算法在检测SQL注入攻击方面的有效性。所提出的方法包括数据预处理，采用机器学习（ML）算法（如XGBoost、AdaBoost、SVM和Light Gradient Boost）并比较其性能，该研究使用了来自Kaggle的公开SQL注入数据集。本研究使用了两个数据集：一个用于训练和测试分类器，另一个用于评估其性能。数据集通过TF-IDF进行特征提取，模型使用准确率、精确率、召回率和F1分数等标准性能指标进行评估。根据测试结果，SVM在所有指标上均优于其他模型，准确率为0.9847，精确率为0.9847，召回率为0.9847，F1分数为0.9874，XGBoost紧随其后。Light Gradient Boost和AdaBoost在所有指标上的表现较低，表明SVM和XGBoost是该数据集更有效的分类器。这些发现强调了机器学习方法（尤其是SVM）在识别SQL注入攻击和增强Web应用程序安全性方面的有效性。
Keyword:
SQL injection
XGBoost
AdaBoost
SVM
Light Gradient Boost
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
分享收藏分享收藏Pejó, B.; Kapui, N. SQLi Detection with ML: A Data-Source Perspective. In Proceedings of the 20th International Conference on Security and Cryptography, Rome, Italy, 10–12 July 2023; pp. 642–648. [Google Scholar] [CrossRef]Pejó, B.; Kapui, N. 基于机器学习的SQL注入检测：数据源视角。在2023年7月10日至12日于意大利罗马举行的第20届国际安全与密码学会议论文集中，第642-648页。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Enhancing the Performance of SQL Injection Attack Detection through Probabilistic Neural Networks通过概率神经网络提升SQL注入攻击检测性能
OAAI
OAAI分享收藏
查看更多内容