基于N-Gram的SQL注入检测研究

发布时间：2020-12-11 20:51

　　SQL注入攻击是Web面临的主要安全威胁,文中针对SQL注入难以检测的问题,提出基于N-Gram的SQL注入检测方法。该方法基于N-Gram将SQL语句转换成固定维数的特征向量,并采用改变不同特征子序列权重的方法改进距离,将改进距离和卡方距离通过BP神经网络计算得到的模糊距离作为向量间的距离标准。首先计算安全SQL语句的平均特征向量,然后计算各SQL语句与平均特征向量的距离以确定距离的阈值,接着将据待测SQL语句与平均特征向量的距离与阈值进行对比,以判断待测SQL语句的安全性。实验结果表明,与直接使用单词构成的特征向量相比,所提方法能有效提高检测率、降低误报率。 

【文章来源】：计算机科学. 2019年07期 第108-113页 北大核心

【文章页数】：6 页

【部分图文】：

图１３－ｇｒａｍ切分示意图Ｆｉｇ．１３－ｇｒａｍｓｅｇｍｅｎｔａｔｉｏｎｄｉａｇｒａｍ

列占更大的权重。信息增益权重表示为：ｄ（ｘ，ｙ）＝∑４ｊ＝１（∑ｘｉ，ｙｉ∈ｊ－ｇｒａｍＩＧ（ｘｉ）·｜ｘｉ－ｙｉ｜ｙｉ）槡２（１０）其中，ＩＧ（ｘｉ）为ｘｉ对应特征子序列的信息增益。３．４ＢＰ神经网络ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神经网络是１９８６年由Ｒｕｍｅｌｈａｒｔ等科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络［１９］，是目前应用最广泛的神经网络。图２３层ＢＰ神经网络结构图Ｆｉｇ．２Ｄｉａｇｒａｍｏｆｔｈｒｅｅ－ｌａｙｅｒＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ０１１计算机科学２０１９年

ａｍ和２－ｇｒａｍ好，并且４－ｇｒａｍ依然比５－ｇｒａｍ的检测效果好。另外，随着Ｎ－Ｇｒａｍ窗口的增大，提取的特征子序列种类数逐渐增加，运算所需的时间和空间也随之增加，因此，本文中的特征向量由１－ｇｒａｍ特征子序列、２－ｇｒａｍ特征子序列、３－ｇｒａｍ特征子序列、４－ｇｒａｍ特征子序列构成。１）使用Ｎ－Ｇｒａｍ特征子序列并以单词为特征子序列，根据卡方距离进行ＳＱＬ安全性检测，结果如图３所示。图３Ｎ－Ｇｒａｍ和单词特征向量的检测效果对比Ｆｉｇ．３ＣｏｍｐａｒｉｓｏｎｏｆｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔｆｏｒＮ－Ｇｒａｍａｎｄｗｏｒｄｆｅａｔｕｒｅｖｅｃｔｏｒ第７期万卓昊，等：基于Ｎ－Ｇｒａｍ的ＳＱＬ注入检测研究１１１

【参考文献】：
期刊论文
[1]基于SVM和文本特征向量提取的SQL注入检测研究[J]. 李红灵,邹建鑫.  信息网络安全. 2017(12)
[2]基于N-Gram的计算机病毒特征码自动提取的改进方法[J]. 杨燕,蒋国平.  计算机科学. 2017(S2)
[3]基于SVM的Web攻击检测技术[J]. 吴少华,程书宝,胡勇.  计算机科学. 2015(S1)
[4]基于分类的SQL注入攻击双层防御模型研究[J]. 田玉杰,赵泽茂,王丽君,连科.  信息网络安全. 2015(06)
[5]一种新的SQL注入防护方法的研究与实现[J]. 石聪聪,张涛,余勇,林为民.  计算机科学. 2012(S1)
[6]一种新的反SQL注入策略的研究与实现[J]. 周敬利,王晓锋,余胜生,夏洪涛.  计算机科学. 2006(11)



本文编号：2911202