Detecting SQL Injections using Deep Learning

Abstract

Les attaques par injection SQL demeurent l'une des plus grandes menaces pour les applications web, car elles permettent à un attaquant d'accéder à des données confidentielles sans autorisation, ce qui peut entraîner des dommages irréparables. Dans le cadre de ce projet, nous avons étudié comment l'apprentissage profond et l'apprentissage automatique peuvent contribuer à la détection automatique de ces attaques. Au total, nous avons conçu et évalué six modèles : la régression logistique, les machines à vecteurs de support (SVM), le perceptron multicouche (MLP), les réseaux de neurones récurrents (RNN), la mémoire à long terme (LSTM) et BERT (Bidirectional Encoder Representations from Transformers). Globalement, BERT a obtenu les meilleurs scores en termes d'exactitude, de précision, de rappel et de score F1. Ceci démontre que les modèles basés sur les transformeurs, tels que BERT, comprennent mieux les structures des requêtes SQL, ce qui les rend efficaces pour détecter les attaques complexes. Cette étude montre comment l'apprentissage profond, et en particulier BERT, peut améliorer la sécurité des applications web.