Erkennung von SQL/XSS-Angriffen auf Web-APIs mit künstlicher Intelligenz / maschinellem Lernen

Dieses Projekt zielt darauf ab, SQL- und XSS-Injektionen in API-Anfragen/Parametern mithilfe von maschinellem Lernen zu erkennen.

Projektvorstellung

Dieses Projekt zielt darauf ab, SQL- und XSS-Injektionen in API-Anfragen und -Parametern mithilfe von Machine Learning-Techniken zu erkennen.
Ziel ist es, eine einfache Pipeline zu erstellen, die Folgendes ermöglicht:

Vorbereiten und Bereinigen eines Datensatzes von API-Anfragen,
Trainieren eines Modells, das Anfragen automatisch als benign, sql_injection oder xss klassifizieren kann,
Bereitstellen eines wiederverwendbaren Modells für Tests oder eine zukünftige Echtzeit-Erkennungs-API.

Projekt-Workflow

Datensatz vorbereiten
Die Datei generated_payloads.csv im Ordner data/ enthält Beispiele von gekennzeichneten API-Anfragen (sql_injection, xss, benign), die aus externen Quellen wie Kaggle stammen oder lokal generiert wurden.
Bereinigung und Aufteilung des Datensatzes
```
python scripts/clean_and_split.py
```

Das Skript:

entfernt Duplikate und leere Zeilen,
bereinigt Texte (Leerzeichen, Zeilenumbrüche, Tabulatoren),
normalisiert die Labels,

und generiert:

data/combined.csv: vollständig bereinigter Datensatz,
data/train.csv: Trainingsdaten (80%),
data/test.csv: Testdaten (20%).

Training des Modells
```
python scripts/train_model.py
```

Das Modell verwendet eine ML-Pipeline:

TF-IDF Vectorizer (TfidfVectorizer): wandelt Textanfragen in numerische Vektoren um und erfasst die Bedeutung von Wörtern oder verdächtigen Symbolen.
Logistic Regression (LogisticRegression): überwachter Klassifikator, der lernt, die TF-IDF-Vektoren den Klassen sql_injection, xss oder benign zuzuordnen.

Nach dem Training wird das Modell im Ordner models gespeichert und kann dann verwendet werden, um die Klasse einer neuen Anfrage vorherzusagen.

Automatische Tests
```
pytest -v -s tests/test_pipeline.py
```

Der Test überprüft:

das Modell ladbar ist,
es mehrere einfache Beispiele korrekt vorhersagt,
keine Pipeline-Fehler auftreten.

Python-Abhängigkeiten
```
pip3 install -r requirements.txt
```

Bibliotheken

pandas
scikit-learn
joblib
pytest

Hinweise
Die Skripte sind für die lokale Ausführung in einer Python 3.13+-Umgebung mit den aufgeführten Abhängigkeiten konzipiert.

API-attack-detection-with-AI

Beliebteste