SQL Injection Detection Method Based on Multi-Dimensional Feature Modeling and Deep Learning

doi:10.3837/tiis.2026.01.021

SQL Injection Detection Method Based on Multi-Dimensional Feature Modeling and Deep Learning

2026-01-31

0

PRE

AI

DOI：10.3837/tiis.2026.01.021

原文链接

原文求助

摘要

En 中文

结构化查询语言（SQL）注入攻击仍然是网络安全领域最严重和最常见的威胁之一，攻击者可借此操纵数据库、泄露敏感信息甚至破坏整个系统。为解决现有检测方法在特征表示和泛化能力上的局限性，本研究提出了一种基于多维数值特征建模和深度学习的SQL注入检测方法。首先，该方法首次对SQL注入类别进行了详细的细粒度划分，如堆叠查询注入和基于布尔值的盲注。其次，构建了一个多视角的综合特征系统，以捕捉多样化的查询行为，该系统包含字符分布、句法结构、关键词使用和函数调用。然后，集成了多种特征优化策略，如递归特征消除（RFE）、递归特征添加（RFA）、随机森林特征重要性（RF-FI）和基于自编码器的压缩，以提升模型效率和鲁棒性。最后，基于包含188,363条SQL查询的混合数据集，实验结果表明，所提方法相较于现有基线算法实现了显著改进。具体而言，在二分类任务中，表现最佳模型（RFA-DNN）达到97.99%的准确率、98.91%的精确率、98.17%的召回率和98.53%的F1分数，其F1分数较基线GWO模型提升超过21.3%。在多分类任务中，该方法仅使用原始特征维度的50%便实现了94.56%的宏F1分数。这些结果验证了该方法在检测精度、鲁棒性和可扩展性方面的优越性，并为实际SQL注入防御提供了一种有效且通用的解决方案。

Keyword:

Cybersecurity

SQL injection detection

Deep learning

Feature extraction

SQL Injection Detection Method Based on Multi-Dimensional Feature Modeling and Deep Learning

摘要

期刊

机构

引用论文