.png){kind=icon}
返回
ModSec-AdvLearn: Countering Adversarial SQL Injections With Robust Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3583234.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多Web应用防火墙（WAF）利用OWASP核心规则集（CRS）来阻止传入的恶意请求。CRS由不同规则集组成，由领域专家设计用于检测已知的Web攻击模式。规则集及其组合所使用的权重都是手动定义的，从而产生CRS的四种不同默认配置。在本工作中，我们专注于SQL注入（SQLi）攻击的检测，并表明CRS的手动配置通常在检测率和误报率之间产生次优的权衡。此外，我们表明这些配置对对抗性SQLi攻击不具有鲁棒性，即精心设计的攻击通过查询目标WAF来迭代优化恶意SQLi载荷以绕过检测。为克服这些限制，我们提出（i）使用机器学习来自动化选择要组合的规则集及其权重，即根据监控的Web服务定制CRS配置；以及（ii）利用对抗性训练显著提高其对对抗性SQLi操纵的鲁棒性。我们的实验使用配备CRS规则的知名开源ModSecurity WAF进行，表明我们提出的方法（命名为ModSec-AdvLearn）能够（i）将检测率提高最高30%，同时保持可忽略的误报率并舍弃高达50%的CRS规则；以及（ii）将对抗性SQLi攻击的鲁棒性提高最高85%，标志着在设计更有效和鲁棒的WAF方面取得了重大进展。我们在https://github.com/pralab/modsec-advlearn发布了我们的开源代码。
Keyword:
Web application firewalls
machine learning
SQL injection
adversarial training
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容