SQLi Detection by Deep Learning

Transcript

1. はじめに 0
2. SQLインジェクション SQLを変更し、データベースを不正に操作 Webアプリケーションコードに脆弱性があると 1
3. 深層学習を用いたSQLi攻撃検出モデル 文字列 悪意のある文字列 正常な文字列 検出モデル 2
4. Web Application Firewall (WAF) 3
5. モデルを用いることによる問題 Webサービスの特性 懸念される問題 誤った検出結果 快適性の悪化 運用費用 様々な入力 快適性 大量のリクエスト 4
6. アプローチ Webサービスの特性に着目してモデルを比較 パラメータ数 検出性能 推論速度 5
7. 検出モデルのアーキテクチャ BiLSTM BERT Elastic Pooling CNN(EP-CNN) 異なる文字数の文字列でも文字の切り捨てを行わずCNNで処理 順方向と逆方向のコンテキストを考慮するニューラルネットワーク 事前学習済みモデルをファインチューニングによりSQLi攻撃の検出に特化 6
8. 大規模言語モデル(LLM) 7 プロンプト 回答 チャット形式 LLM
9. プロンプトエンジニアリング • タスクの説明 • 出力の形式 • Fewshot学習 8
10. 使用したLLM Llama2-7B オープンLLM Mistral-7B オープンLLM Web APIを介して利用 GPT3.5とGPT4 9
11. 実験準備 - データセット 10
12. 実験準備 - データ 11 1' where 1557 = 1557 陽性 1 " Net orders fell 26 aircraft , 83 " 陰性 0 ラベル 例
13. 実験 - モデルの処理の流れ 12 クエリ 予測 ラベル 比較 モデル
14. 実験 - 検出性能の評価に用いる指標 Precision 陽性と予測したときの信頼度を評価 Recall 陽性をはずさないことを評価 F-measure PresicionとRecallをあわせたものを評価 Accuracy 全体の性能を評価 13
15. 実験結果 - 各モデルの検出性能 ◯ GPT3.5 GPT4 EP-CNN BiLSTM Llama2-7B Mistral-7B △ ✕ BERT 14
16. 実験結果 - 推論速度とパラメータ数 EP-CNN BiLSTM BERT ◯ GPT3.5 GPT4 Llama2-7B Mistral-7B ✕ 15
17. 結論 ◯ BERT GPT3.5 GPT4 EP-CNN BiLSTM Llama2-7B Mistral-7B △ ✕ 16
18. まとめ 17 Webサービスの特徴に着目して深層学習によるモデルを比較した 実験の結果、BERTを使ったモデルが最適だと分かった