如何使用keras做SQL注入攻击判断

64次阅读

没有评论

共计 4224 个字符，预计需要花费 11 分钟才能阅读完成。

丸趣 TV 小编给大家分享一下如何使用 keras 做 SQL 注入攻击判断，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

通过深度学习框架 keras 来做 SQL 注入特征识别，不过虽然用了 keras，但是大部分还是普通的神经网络，只是外加了一些规则化、dropout 层（随着深度学习出现的层）。

基本思路就是喂入一堆数据（INT 型）、通过神经网络计算（正向、反向）、SOFTMAX 多分类概率计算得出各个类的概率，注意：这里只要 2 个类别：0- 正常的文本；1- 包含 SQL 注入的文本

文件分割上，做成了 4 个 python 文件：

util 类，用来将 char 转换成 int（NN 要的都是数字类型的，其他任何类型都要转换成 int/float 这些才能喂入，又称为 feed）

data 类，用来获取训练数据，验证数据的类，由于这里的训练是有监督训练，因此此时需要返回的是个元组 (x, y)

trainer 类，keras 的网络模型建模在这里，包括损失函数、训练 epoch 次数等

predict 类，获取几个测试数据，看看效果的预测类

先放 trainer 类代码，网络定义在这里，最重要的一个，和数据格式一样重要（呵呵，数据格式可是非常重要的，在这种程序中）

import SQL 注入 Data
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.layers.normalization import BatchNormalization
from keras.optimizers import SGD
 
x, y=SQL 注入 Data.loadSQLInjectData()
availableVectorSize=15
x=keras.preprocessing.sequence.pad_sequences(x, padding= post , maxlen=availableVectorSize)
y=keras.utils.to_categorical(y, num_classes=2)
 
 
model = Sequential()
model.add(Dense(64, activation= relu , input_dim=availableVectorSize))
model.add(BatchNormalization())
model.add(Dropout(0.3))
model.add(Dense(64, activation= relu))
model.add(Dropout(0.3))
model.add(Dense(2, activation= softmax))
 
sgd = SGD(lr=0.001, momentum=0.9)
model.compile(loss= mse ,
 optimizer=sgd,
 metrics=[accuracy])
 
history=model.fit(x, y,epochs=500,batch_size=16)
 
model.save(E:\\sql_checker\\models\\trained_models.h6)
print(DONE, model saved in path-- E:\\sql_checker\\models\\trained_models.h6)
 
import matplotlib.pyplot as plt
plt.plot(history.history[ loss])
plt.title(model loss)
plt.ylabel(loss)
plt.xlabel(epoch)
plt.legend([train ,  test], loc= upper left )
plt.show()

先来解释上面这段 plt 的代码，因为最容易解释，这段代码是用来把每次 epoch 的训练的损失 loss value 用折线图表示出来：

何为训练？何为损失 loss value？

训练的目的是为了想让网络最终计算出来的分类数据和我们给出的 y 一致，那不一致怎么算？不一致就是有损失，也就是说训练的目的是要一致，也就是要损失最小化

怎么让损失最小化？梯度下降，这里用的是 SGD 优化算法：

from keras.optimizers import SGD
 
sgd = SGD(lr=0.001, momentum=0.9)
model.compile(loss= mse ,
 optimizer=sgd,
 metrics=[accuracy])

上面这段代码的 loss= mse 就是定义了用那种损失函数，还有好几种损失函数，大家自己参考啊。

optimizer=sgd 就是优化算法用哪个了，不同的 optimizer 有不同的参数

由于此处用的是全连接 NN，因此是需要固定的输入 size 的，这个函数就是用来固定（不够会补 0）特征向量 size 的：

x=keras.preprocessing.sequence.pad_sequences(x, padding= post , maxlen=availableVectorSize)

再来看看最终的分类输出，是 one hot 的，这个 one hot 大家自己查查，很容易的定义，就是比较浪费空间，分类间没有关联性，不过用在这里很方便

y=keras.utils.to_categorical(y, num_classes=2)

然后再说说预测部分代码：

import SQL 注入 Data
import Converter
 
 
import numpy as np
import keras
from keras.models import load_model
 
print(predict....)
 
x=SQL 注入 Data.loadTestSQLInjectData()
x=keras.preprocessing.sequence.pad_sequences(x, padding= post , maxlen=15)
 
model=load_model(E:\\sql_checker\\models\\trained_models.h6)
result=model.predict_classes(x, batch_size=len(x))
result=Converter.convert2label(result)
print(result)
 
 
print(DONE)

这部分代码很容易理解，并且连 y 都没有

好了，似乎有那么点意思了吧。

下面把另外几个工具类、数据类代码放出来：

def toints(sentence):
 base=ord(0)
 ary=[]
 for c in sentence:
 ary.append(ord(c)-base)
 return ary
 
 
def convert2label(vector):
 string_array=[]
 for v in vector:
 if v==1:
 string_array.append(SQL 注入)
 else:
 string_array.append(正常文本)
 return string_array

import Converter
import numpy as np
 
def loadSQLInjectData():
 x=[]
 x.append(Converter.toints( 100))
 x.append(Converter.toints( 150))
 x.append(Converter.toints( 1))
 x.append(Converter.toints( 3))
 x.append(Converter.toints( 19))
 x.append(Converter.toints( 37))
 x.append(Converter.toints( 1 --))
 x.append(Converter.toints( 1  or 1=1;--))
 x.append(Converter.toints( updatable))
 x.append(Converter.toints( update tbl))
 x.append(Converter.toints( update someb))
 x.append(Converter.toints( update))
 x.append(Converter.toints( updat))
 x.append(Converter.toints( update a))
 x.append(Converter.toints( --))
 x.append(Converter.toints(  or 1=1;--))
 x.append(Converter.toints( aupdatable))
 x.append(Converter.toints( hello world))
 
 y=[[0],[0],[0],[0],[0],[0],[1],[1],[0],[1],[1],[0],[0],[1],[1],[1],[0],[0]]
 
 x=np.asarray(x)
 y=np.asarray(y)
 
 return x, y
 
 
def loadTestSQLInjectData(): 
 x=[]
 x.append(Converter.toints( some value))
 x.append(Converter.toints( -1))
 x.append(Converter.toints(  or 1=1;--))
 x.append(Converter.toints( noupdate))
 x.append(Converter.toints( update ))
 x.append(Converter.toints( update))
 x.append(Converter.toints( update z))
 x=np.asarray(x)
 return x

以上是“如何使用 keras 做 SQL 注入攻击判断”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注丸趣 TV 行业资讯频道！

正文完