Исследование методов машинного обучения для обнаружения SQL-инъекций

Введение. В статье рассматривается задача обнаружения SQL-инъекций в HTTPзапросах с использованием методов машинного обучения. Модели обучались на дата-сете, содержащем более 120 000 HTTP-запросов, разделённых на легитимные и содержащие SQL-инъекции. Каждый запрос формирован признаковым описанием, его размерность уменьшена, для этого использовался метод главных компонентов. Число компонент, с которыми проводилось исследование каждой модели и находилось в диапазоне от 2 до 14.

Материалы и методы. В исследование участвуют различные модели: Probabilistic Neural Network(PNN), Naive Bayes, Multilayer Perceptron с алгоритмом RProp, Fuzzy Rule, k-Nearest Neighbors(KNN), Random Forest, Decision Tree и Gradient Boosted Trees. Оценка качества выполняется по метрикам полноты и точности выявления атак. Оценка переобучения выполняется по метрику ROC-AUC.

Результаты и обсуждение. Проведено исследование эффективности различных моделей. Среди выбранных моделей по метрикам выделяется модель Probabilistic Neural Network. При 3 главных компонентах значение полноты составляет 0,996, а точность выявления атак равна 0,81.

Заключение. Полученный результат, демонстрирует что модель обнаруживает почти все SQL-инъекции, но часть обычных запросов определяются как вредоносные. 

1. Ashton K. That "Internet of Things" Thing: In the Real World Things Matter More than Ideas // Rfid Journal. 2009. 22 June. URL: https://www.rfidjournal.com/expert-views/that-internet-of-thingsthing/73881/ (дата обращения: 01.04.2026).

2. Cisco Internet Business Solutions Group. The Internet of Things: How the Next Evolution of the Internet Is Changing Everything. 2011. URL: https://www.cisco.com/c/dam/en_us/about/ac79/docs/innov/IoT_IBSG_0411FINAL.pdf (дата обращения: 01.04.2026).

3. Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В. Теория и практика машинного обучения. Ульяновск: УлГТУ, 2017. 290 с.

4. Лапина М. А., Подручный Н. В., Русанов М. А., Бабенко М. Г. Исследование методов машинного обучения для выявления сетевых атак // Труды Института системного программирования РАН. 2025. Т. 37. Вып. 4. Ч. 2. С. 147–174. https://doi.org/10.15514/ISPRAS-2025-37(4)-24

5. Лапина М. А., Мовзалевская В. В., Токмакова М. Е., Бабенко М. Г., Саджид М. Применение технологий машинного обучения для обнаружения веб-атак // Вопросы кибербезопасности. 2024. № 4 (62). С. 92–103. https://doi.org/10.21681/2311-3456-2024-4-92-103

6. Лапина М. А., Лукьянов Д. А., Лапин В. Г., Кучеров Н. Н. Исследование методов машинного обучения для обнаружения сайтов-мошенников // Известия ЮФУ. Технические науки. 2025. № 4. С. 250–262. https://doi.org/10.18522/2311-3103-2025-4-250-262

7. Лапина М. А., Капшук Н. Р., Русанов М. А., Тимофеева Е. Ф. Обнаружение атак с использованием SQL-инъекций по сетевым журналам с помощью методов машинного обучения // Труды Института системного программирования РАН. 2025. Т. 37. Вып. 5. С. 81–92. https://doi.org/10.15514/ISPRAS-2025-37(5)-6

8. Лапина М. А., Дымуха Р. А., Кучеров Н. Н., Басан Е. С. Исследование методов машинного обучения для обнаружения спуфинг-атак в децентрализованных сетях // Известия ЮФУ. Технические науки. 2025. № 3. С. 16–31. https://doi.org/10.18522/2311-3103-2025-3-16-31

9. Лапина М. А., Гриценко Д. Д., Кеньков Е. А., Багаутдинова А. Р., Соломянко А. А. Детектирование атак на отказ в программно-конфигурируемых сетях с использованием методов машинного обучения // Труды Института системного программирования РАН. 2025. Т. 37. Вып. 6. Ч. 4. С. 139–158. https://doi.org/10.15514/ISPRAS-2025-37(6)-55

10. KNIME Analytics Platform [Электронный ресурс]. URL: https://www.knime.com/knime-analyticsplatform (дата обращения: 01.04.2026).

11. Lashkari A. H. CICFlowmeter-V4.0 (formerly known as ISCXFlowMeter) is a Network Traffic Bi-flow Generator and Analyser for Anomaly Detection [Электронный ресурс]. URL: https://github.com/ahlashkari/CICFlowMeter (дата обращения: 01.04.2026).

12. IoT-SDN IDS Dataset [Электронный ресурс]. URL: https://www.kaggle.com/datasets/hebadhirar/iotsdn-ids-dataset (дата обращения: 01.04.2026).

13. Карачанская Е. В., Соседова Н. И. Метод выявления аномалий сетевого трафика, основанный на его самоподобной структуре // Безопасность информационных технологий. 2019. Т. 26. № 1. С. 98–110. https://doi.org/10.26583/bit.2019.1.10

14. Jolliffe I. T., Cadima J. Principal component analysis: a review and recent developments // Philosophical Transactions of the Royal Society A. 2016. Vol. 374. No. 2065. Art. 20150202. https://doi.org/10.1098/rsta.2015.0202

15. Song Y. Y., Lu Y. Decision tree methods: applications for classification and prediction // Shanghai Archives of Psychiatry. 2015. Vol. 27. No. 2. P. 130–135. https://doi.org/10.11919/j.issn.10020829.215044

16. Zhang S., Li X., Zong M., Zhu X., Wang R. Efficient kNN classification with different numbers of nearest neighbors // IEEE Transactions on Neural Networks and Learning Systems. 2018. Vol. 29. No. 5. P. 1774–1785. https://doi.org/10.1109/TNNLS.2017.2673241

17. Biau G., Scornet E. A random forest guided tour // Test. 2016. Vol. 25. No. 2. P. 197–227. https://doi.org/10.1007/s11749-016-0481-7

18. Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics. 2013. Vol. 7. Art. 21. https://doi.org/10.3389/fnbot.2013.00021

19. Балыбердин А. В., Крылов Г. О. Повышение точности выявления аномалий для систем обнаружения вторжения с помощью ансамблевого обучения // Безопасность информационных технологий. 2025. Т. 32. № 1. С. 153–171. https://doi.org/10.26583/bit.2025.1.11

20. Лавров Б. О., Иванов М. А. Интеллектуальное обнаружение аномалий в контейнеризованных приложениях: методы, архитектура и инструменты // Безопасность информационных технологий. 2025. Т. 32. № 4. С. 149–164. https://doi.org/10.26583/bit.2025.4.11