基于机器学习模型的Web应用程序防火墙
Muhammed Ersin Durmuşkaya1, Selim Bayraklı2
1Department of Computer Engineering, Istanbul Kultur University, Istanbul, Turkey.
PeerJ. Computer science
|September 24, 2025
概括
机器学习通过检测注入攻击来增强Web应用程序的安全性. 一个决策树算法在Web应用程序防火墙 (WAF) 中被证明是最有效的,在实时威胁检测中实现了高精度.
科学领域:
- 网络安全 网络安全
- 机器学习应用 机器学习应用
- 网络应用程序安全 网络应用程序安全
背景情况:
- 网络应用程序对于敏感数据和金融交易越来越重要.
- 这种依赖需要强有力的安全措施来应对不断变化的网络威胁.
- 注入漏洞对Web应用程序的完整性构成重大风险.
研究的目的:
- 设计和评估基于机器学习的Web应用程序防火墙 (WAF).
- 为了保护Web应用程序,特别是针对常见的注入漏洞.
- 为了比较各种机器学习算法的威胁检测效率.
主要方法:
- 使用了一个混合数据集,包括CISC 2010,HTTPParams 2015和实时HTTP请求.
- 评估了五种分类算法:K-最近邻居,逻辑回归,天真贝叶斯,支持向量机和决策树.
- 这些算法被测试了它们检测跨站点脚本 (XSS),SQL注入,OS命令注入和本地文件包含攻击的能力.
主要成果:
- 决策树算法在精度,准确性,回忆,F1得分,ROC和AUC指标方面表现出卓越的表现.
- 使用决策树算法对WAF进行实时测试,F1得分为93.13%,准确率为93.27%.
- 混矩阵分析证实了基于机器学习的WAF的高效性.
结论:
- 基于机器学习的WAF可以有效地保护Web应用程序注入威胁.
- 决策树算法是开发此类安全系统的非常合适的选择.
- 未来的研究应该探索更广泛的攻击覆盖范围和用于WAF增强的多样化数据集.