論文の概要: Enhancing Web Application Firewalls with BERT-GNN for SQL Injection Detection

• arxiv url: http://arxiv.org/abs/2608.28882v1
• Date: Fri, 28 Aug 2026 21:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:12:23.914987
• Title: Enhancing Web Application Firewalls with BERT-GNN for SQL Injection Detection
• Title（参考訳）: SQLインジェクション検出のためのBERT-GNNによるWebアプリケーションファイアウォールの強化
• Abstract要約: 本研究は,検出精度とロバスト性を改善したハイブリッドBERT-GNNパイプラインを最適化した。 提案されたモデルは99.67%の精度で99.71%の精度、99.39%のリコール、99.55%のF1スコアを記録した。
• 参考スコア（独自算出の注目度）: 0.37851234061033856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting sophisticated SQL Injection (SQLi) attacks remains among the most critical challenges in web applications security. This research study has resulted in an optimised hybrid BERT-GNN pipeline with improved detection accuracy and robustness while reducing false-positive and false-negative rates. SQL queries are tokenised and encoded into contextual BERT embeddings, which then initialise the node features of a Graph Neural Network (GNN) trained to classify each query, with the architecture tuned by Optuna over accuracy, precision, recall, and F1-score. The proposed model achieved 99.67% accuracy, with 99.71% precision, 99.39% recall, and 99.55% F1-score on the attack class. A sensitivity analysis, performed by perturbing graph inputs, further assessed the model robustness and yielded a low mean sensitivity score of 0.0037, indicating stable predictions under such perturbations. The results have demonstrated the potential of a novel hybrid model that couples BERT contextual understanding with the GNN structural modelling to detect sophisticated SQLi attack vectors. For open validation, the dataset, test sets and models are made available at https://github.com/mlily2024/Final-project-SQL-injection-pipeline.
• Abstract（参考訳）: 高度なSQLインジェクション(SQLi)攻撃を検出することは、Webアプリケーションのセキュリティにおいて最も重要な課題である。 本研究は,偽陽性および偽陰性率の低減を図り,検出精度とロバスト性を改善したハイブリッドBERT-GNNパイプラインを最適化した。 SQLクエリは、コンテキストのBERT埋め込みにトークン化されてエンコードされ、各クエリを分類するためにトレーニングされたグラフニューラルネットワーク(GNN)のノード機能を初期化する。 提案されたモデルは99.67%の精度で99.71%の精度、99.39%のリコール、99.55%のF1スコアを記録した。 グラフ入力の摂動による感度解析により, モデルロバスト性をさらに評価し, 平均感度スコア0.0037を得た。 BERTの文脈理解をGNN構造モデルと組み合わせてSQLi攻撃ベクトルを検出するハイブリッドモデルの可能性を示した。 オープン検証のために、データセット、テストセット、モデルはhttps://github.com/mlily2024/Final-project-SQL-injection-pipeline.comで利用可能である。

関連論文リスト

• Enhancing Web Application Firewalls with Machine Learning for SQL Injection Detection [0.37851234061033856]
  本研究は,本領域における研究ギャップを特定するために,系統的な文献レビューを行った。 検出効率と堅牢性を改善するために、DistilBERT-Stacked Ensembleパイプラインを応答的に設計し最適化した。 このアンサンブルは、報告された全ての指標で99.81%を達成し、最強のシングルモデルに匹敵する結果となった。
  論文  参考訳（メタデータ） (2026-08-28T21:47:31Z)
• Spider 2.0-AIFunc: Extending Real-World Text-to-SQL to AI-Native SQL Workflows [54.49251107006261]
  我々はSpider 2.0-AIFuncを紹介した。これは、Snowflakeプラットフォーム上の6種類のAI機能をカバーする125の現実世界データベースにわたる465の検証済みインスタンスのベンチマークである。 最強のプロプライエタリモデルは67-70%の精度で実行でき、最高のオープンソースモデルは58.1%に達する。
  論文  参考訳（メタデータ） (2026-07-07T12:54:08Z)
• FP-Predictor - False Positive Prediction for Static Analysis Reports [5.4164223824711755]
  この研究は、静的アプリケーションセキュリティテスト(SAST)レポートを真で偽陽性と予測するために設計されたグラフ畳み込みネットワーク(GCN)モデルを示す。 このモデルは静的解析結果から構築されたコードプロパティグラフ(CPG)を利用して、コード内の構造的および意味的な関係をキャプチャする。 CryptoAPI-Benchベンチマークの評価では、このモデルの実用性を示し、全体の精度は96.6%に達した。
  論文  参考訳（メタデータ） (2026-03-11T09:05:39Z)
• Hyperparameter Tuning-Based Optimized Performance Analysis of Machine Learning Algorithms for Network Intrusion Detection [0.22940141855172033]
  ネットワーク侵入システム(NIDS)は、不正な活動を特定・緩和することでネットワークの確保に不可欠である。 本研究では、NIDSの精度向上のための機械学習(ML)手法の適用について検討する。
  論文  参考訳（メタデータ） (2025-12-14T15:02:48Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Enhancing SQL Injection Detection and Prevention Using Generative Models [4.424836140281847]
  本稿では,SQLiの検出・防止機構を強化するために生成モデルを活用する革新的な手法を提案する。 変分オートエンコーダ(VAE)、条件付きワッサースタインGAN、グラディエントペナルティ(CWGAN-GP)、U-Netを組み込むことで、機械学習モデルのトレーニングデータセットを増強するために合成sqlクエリが生成される。
  論文  参考訳（メタデータ） (2025-02-07T09:43:43Z)
• Exact Certification of (Graph) Neural Networks Against Label Poisoning [50.87615167799367]
  グラフニューラルネットワーク(GNN)におけるラベルフリップの正確な認証手法を提案する。 本稿では,ノード分類タスクにおける広範囲なGNNアーキテクチャの認証に本手法を適用した。 私たちの研究は、ニューラルネットワークによって引き起こされた毒殺攻撃に対する最初の正確な認証を提示します。
  論文  参考訳（メタデータ） (2024-11-30T17:05:12Z)
• Advancing SQL Injection Detection for High-Speed Data Centers: A Novel Approach Using Cascaded NLP [1.281563056333574]
  古典的および変圧器に基づくNLPモデルをブレンドした新しいカスケードSQLi検出法を提案する。 本手法は, 変圧器モデルのみを用いた場合よりも, 計算要求の20倍の精度で, 99.86%の精度で検出できる。
  論文  参考訳（メタデータ） (2023-12-20T14:09:13Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
  産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。 コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:00:05Z)
• Dr.Spider: A Diagnostic Evaluation Benchmark towards Text-to-SQL Robustness [115.66421993459663]
  近年の研究では、テキスト・ツー・モデルはタスク固有の摂動に弱いことが示されている。 モデル診断のための包括的ロバスト性ベンチマークを提案する。 我々は、そのセット上の最先端モデルの診断研究を行う。
  論文  参考訳（メタデータ） (2023-01-21T03:57:18Z)
• SUN: Exploring Intrinsic Uncertainties in Text-to-SQL Parsers [61.48159785138462]
  本稿では,ニューラルネットワークに基づくアプローチ(SUN)における本質的な不確かさを探索することにより,テキストから依存への変換性能を向上させることを目的とする。 5つのベンチマークデータセットの大規模な実験により、我々の手法は競合より大幅に優れ、新しい最先端の結果が得られた。
  論文  参考訳（メタデータ） (2022-09-14T06:27:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。