論文の概要: Enhancing Web Application Firewalls with Machine Learning for SQL Injection Detection

• arxiv url: http://arxiv.org/abs/2608.28889v1
• Date: Fri, 28 Aug 2026 21:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:11:35.748965
• Title: Enhancing Web Application Firewalls with Machine Learning for SQL Injection Detection
• Title（参考訳）: SQLインジェクション検出のための機械学習による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,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。
• 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 SQL Injection (SQLi) attacks ranks among the most critical challenges in web application security. This research conducted a systematic literature review to identify the research gaps in this domain and responsively designed and optimised a DistilBERT-Stacked Ensemble pipeline to improve detection efficiency and robustness while reducing false-positive and false-negative rates. Comprehensive pre-processing and tokenisation were performed, DistilBERT embeddings were extracted, and machine-learning and ensemble classifiers were trained and ranked on accuracy, precision, recall and F1-score. The three best performers (Logistic Regression, XGBoost and SVM) were combined through a neural meta-learner to form a stacked ensemble. The ensemble was hardened with adversarial examples generated by the Fast Gradient Sign Method (FGSM) and tuned with Optuna. The optimised ensemble achieved 99.81% across all reported metrics, closely comparable to the strongest single model (DistilBERT SVM, 99.82%). On the evaluation platform used in this study (Section 3.8), the ensemble classified the full test set in 0.0136s against 1.896s for DistilBERT-SVM, an approximately 140-fold reduction in measured inference latency, while retaining 99.77% accuracy under a single-step FGSM attack. The contribution is the design and validation of a SQLi detector performing with state-of-the-art accuracy at real-time speed and with demonstrated robustness to a single-step FGSM attack, rather than a marginal gain in accuracy. Sensitivity analysis further confirmed the stability of the model. These findings highlight the value of adversarial training and stacked meta-learning in building robust Web Application Firewalls (WAFs) for SQLi detection. 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）: SQLインジェクション(SQLi)攻撃の検出は、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のひとつだ。 本研究は,本領域における研究ギャップを同定し,検出効率と堅牢性を向上し,偽陽性および偽陰性率の低減を図るために,DistilBERT-Stacked Ensembleパイプラインを適応設計・最適化した。 総合的な前処理とトークン化を行い、DistilBERT埋め込みを抽出し、機械学習とアンサンブル分類器を訓練し、精度、精度、リコール、F1スコアでランク付けした。 ロジスティック回帰(Logistic Regression)、XGBoost(XGBoost)、SVM(SVM)の3つの最高のパフォーマーは、ニューラルメタレナーを介して結合され、積み重ねられたアンサンブルを形成した。 このアンサンブルはFGSM(Fast Gradient Sign Method)によって生成され、オプトゥーナと調整された敵の例で強化された。 最適化されたアンサンブルは、報告された全ての指標で99.81%に達し、最も強力なシングルモデル(DistilBERT SVM, 99.82%)に匹敵する。 この研究で使用される評価プラットフォーム(Section 3.8)では、このアンサンブルはフルテストセットを0.0136sとDetilBERT-SVMの1.896sに分類した。 コントリビューションはSQLi検出器の設計と検証であり、最先端の精度でリアルタイムに動作し、精度の限界ゲインではなく、単一ステップのFGSM攻撃に対する堅牢性を示すものである。 感度解析によりモデルの安定性がさらに確認された。 これらの知見は、SQLi検出のための堅牢なWebアプリケーションファイアウォール(WAF)を構築する上で、敵のトレーニングとスタックされたメタラーニングの価値を強調している。 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

• Empirical Evaluation of Membership Inference Attacks on NLP Text Classifiers: A Baseline Study on SST-2 [0.0]
  メンバーシップ推論攻撃(MIA)は、モデルをトレーニングするために特定のレコードが使用されたかどうかを判断しようとする。 本稿では,GLUE SST-2感情データセットを用いたテキスト分類におけるメンバシップ推定脆弱性のベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-09-10T00:53:20Z)
• Enhancing Web Application Firewalls with BERT-GNN for SQL Injection Detection [0.37851234061033856]
  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。
  論文  参考訳（メタデータ） (2026-08-28T21:38:19Z)
• Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
  デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。 本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。 合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
  論文  参考訳（メタデータ） (2026-08-28T07:05:38Z)
• ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
  本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
  論文  参考訳（メタデータ） (2026-01-15T08:23:38Z)
• A Vision-Language Pre-training Model-Guided Approach for Mitigating Backdoor Attacks in Federated Learning [43.847168319564844]
  視覚言語事前学習モデルのゼロショット学習機能を利用したFLバックドアディフェンスフレームワークCLIP-Fedを提案する。 本計画では, 防衛効果に課される非IIDの限界を克服し, 事前集約・後防衛戦略を統合する。
  論文  参考訳（メタデータ） (2025-08-14T03:39:54Z)
• Fine-tuned Large Language Models (LLMs): Improved Prompt Injection Attacks Detection [6.269725911814401]
  大きな言語モデル(LLM)は、幅広い言語ベースのタスクに対処する能力が大きく進歩しているため、人気ツールになりつつある。 しかし、LSMのアプリケーションはインジェクション攻撃に対して非常に脆弱であり、致命的な問題を引き起こす。 このプロジェクトでは,インジェクションのインジェクション攻撃に関連するセキュリティ脆弱性について検討する。
  論文  参考訳（メタデータ） (2024-10-28T00:36:21Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)
• 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)
• 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)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)
• Robust Representation via Dynamic Feature Aggregation [44.927408735490005]
  ディープ畳み込みニューラルネットワーク(CNN)ベースのモデルは、敵の攻撃に対して脆弱である。 本稿では,新しい正規化により埋め込み空間を圧縮する動的特徴集約法を提案する。 CIFAR-10における攻撃法の平均精度は56.91%である。
  論文  参考訳（メタデータ） (2022-05-16T06:22:15Z)
• UNBUS: Uncertainty-aware Deep Botnet Detection System in Presence of Perturbed Samples [1.2691047660244335]
  ボットネット検出には極めて低い偽陽性率(FPR)が必要であるが、現代のディープラーニングでは一般的に達成できない。 本稿では,98%以上の精度のボットネット分類のためのLSTMに基づく2つの分類アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2022-04-18T21:49:14Z)
• Detecting Errors and Estimating Accuracy on Unlabeled Data with Self-training Ensembles [38.23896575179384]
  本稿では,この2つの課題に同時に対処する,原則的かつ実用的な枠組みを提案する。 1つのインスタンス化は、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。 iWildCamでは、教師なし精度推定における推定誤差を少なくとも70%削減し、エラー検出のためのF1スコアを少なくとも4.7%改善する。
  論文  参考訳（メタデータ） (2021-06-29T21:32:51Z)
• Semantic Evaluation for Text-to-SQL with Distilled Test Suites [46.42548219378393]
  テキスト・ツー・セマンティック・モデルの精度を近似するために,テストスイートの精度を提案する。 我々は提案手法を用いて、スパイダーリーダーボードに提出された21のモデルを評価し、この手法が常に100の例で正しいことを手作業で検証する。
  論文  参考訳（メタデータ） (2020-10-06T16:04:12Z)

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。