mlily2024/final-project-sql-injection-pipelineहाइब्रिड मशीन-लर्निंग पाइपलाइनें वेब ट्रैफ़िक में SQL इंजेक्शन का पता लगाने के लिए, जो DistilBERT और BERT-GNN मॉडल को प्रतिकूल प्रशिक्षण (adversarial training) और मजबूती विश्लेषण (robustness analysis) के साथ जोड़ती हैं।
| लेखक | लिलियाने लिनेट मुसोके |
| संस्थान | यूनिवर्सिटी ऑफ रीडिंग, कंप्यूटर साइंस विभाग |
| कार्यक्रम | MSc डेटा साइंस और एडवांस्ड कंप्यूटिंग |
| पर्यवेक्षक | प्रोफेसर अट्टा बदी |
| प्रस्तुत | 17 सितंबर 2024 |
वेब एप्लिकेशन ट्रैफ़िक में SQL इंजेक्शन (SQLi) हमलों का पता लगाने के लिए दो नई हाइब्रिड मशीन-लर्निंग पाइपलाइन, जिनमें से प्रत्येक को एक स्व-निहित Jupyter नोटबुक के रूप में लागू किया गया है:
DistilBERT_Stacked_Ensemble_pipeline.ipynb — एक DistilBERT-स्टैक्ड एन्सेम्बल (मेटा-लर्नर) पाइपलाइन। पारंपरिक ML और एन्सेम्बल क्लासिफायर (लॉजिस्टिक रिग्रेशन, XGBoost, SVM) के स्टैक में इनपुट के रूप में DistilBERT प्रासंगिक एम्बेडिंग का उपयोग करता है, जो एक न्यूरल-नेटवर्क मेटा-लर्नर के अंतर्गत संयुक्त होते हैं। फास्ट ग्रेडिएंट साइन मेथड (FGSM) के साथ प्रतिकूल प्रशिक्षण किया जाता है; हाइपरपैरामीटर Optuna के साथ ट्यून किए जाते हैं।BERT_GNN_pipeline_FINAL.ipynb — एक BERT–ग्राफ-न्यूरल-नेटवर्क हाइब्रिड पाइपलाइन। BERT SQL क्वेरी की प्रासंगिक एम्बेडिंग उत्पन्न करता है; एक GNN संरचनात्मक पैटर्न को कैप्चर करने के लिए ग्राफ-संरचित क्वेरी प्रतिनिधित्व का मॉडल बनाता है। हाइपरपैरामीटर Optuna के साथ ट्यून किए जाते हैं।साथ ही दोनों पाइपलाइनों को प्रशिक्षित और मूल्यांकन करने के लिए उपयोग किया गया डेटासेट:
SQL_Injection_Dataset.csv — लेबल वाली SQL क्वेरी (हानिरहित बनाम दुर्भावनापूर्ण)।| पाइपलाइन | सटीकता | प्रतिकूल सटीकता (FGSM) | नोट्स |
|---|---|---|---|
| DistilBERT-स्टैक्ड एन्सेम्बल | 99.81% | 99.77% | अनुशंसित दृष्टिकोण चयनित; तेज़ निष्पादन समय |
| BERT-GNN | 99.48% (99.67% होल्ड-आउट) | — | बेहतर संरचनात्मक समझ; लंबा निष्पादन समय (23.13 s); होल्ड-आउट-वैलिडेशन रीट्रेन 99.67% तक पहुँचता है, देखें RESULTS.md |
| सर्वश्रेष्ठ पारंपरिक बेसलाइन (रैंडम फ़ॉरेस्ट) | 94.47% | — | उसी अध्ययन में बेंचमार्क किया गया |
सभी चार प्रदर्शन मीट्रिक (सटीकता, प्रेसिजन, रिकॉल, F1-स्कोर) दोनों हाइब्रिड पाइपलाइनों के लिए समान मुख्य आंकड़े पर पहुँचते हैं। पूर्ण प्रति-मॉडल तालिकाएँ, कन्फ्यूज़न मैट्रिक्स, ROC वक्र, लर्निंग वक्र और संवेदनशीलता विश्लेषण नोटबुक और शोध-प्रबंध में हैं।
DistilBERT-स्टैक्ड एन्सेम्बल की प्रतिकूल सटीकता 99.77% Guan et al. (2023, Future Internet 15(4):133, DOI 10.3390/fi15040133) द्वारा रिपोर्ट किए गए तुलनीय प्रतिकूल-परीक्षण परिणाम से 2.38% अधिक है — पूर्ण तुलना के लिए शोध-प्रबंध §4.4 देखें।
.ipynb फ़ाइलों में पूर्ण पाइपलाइन कोड (डेटा लोडिंग, प्रीप्रोसेसिंग, एम्बेडिंग, प्रशिक्षण, मूल्यांकन, प्रतिकूल मजबूती, संवेदनशीलता विश्लेषण) शामिल है। आउटपुट हटा दिए गए हैं ताकि नोटबुक GitHub पर तेज़ी से और छोटे आकार में रेंडर हों; किसी भी नोटबुक को ऊपर से नीचे चलाने से हर आकृति पुनः उत्पन्न होती है।RESULTS.md सभी आकृतियों (कन्फ्यूज़न मैट्रिक्स, ROC वक्र, लर्निंग वक्र, संवेदनशीलता-विश्लेषण प्लॉट, प्रति-मॉडल तुलना) को कुछ भी चलाए बिना देखने योग्य गैलरी के रूप में दिखाता है।results/ फ़ोल्डर में हैं, जिनका नाम पाइपलाइन और अनुभाग के अनुसार रखा गया है।Python 3.10+ और Jupyter वातावरण के साथ परीक्षण किया गया। सभी निर्भरताएँ स्थापित करने के लिए:
python -m venv .venv
source .venv/bin/activate # macOS / Linux
.venv\Scripts\activate # Windows
pip install -r requirements.txt
फिर JupyterLab या VS Code में किसी भी नोटबुक को खोलें और सेल को ऊपर से नीचे चलाएँ। प्रत्येक पाइपलाइन अंत-से-अंत तक स्व-निहित है: डेटा लोडिंग और प्रीप्रोसेसिंग → एम्बेडिंग निष्कर्षण → मॉडल प्रशिक्षण → मूल्यांकन → प्रतिकूल-मजबूती जाँच → संवेदनशीलता विश्लेषण। BERT-GNN प्रशिक्षण चरण के लिए GPU की अनुशंसा की जाती है लेकिन इन्फ़रेंस या DistilBERT-स्टैक्ड एन्सेम्बल के लिए आवश्यक नहीं है।
संसाधन आवश्यकता। DistilBERT (और BERT) एम्बेडिंग-निष्कर्षण चरण भाषा मॉडल और उसके पूर्ण-डेटासेट एम्बेडिंग को एक साथ मेमोरी में रखता है। अंत-से-अंत निष्पादन के लिए DistilBERT-स्टैक्ड एन्सेम्बल पाइपलाइन के लिए लगभग 6–8 GB मुफ्त RAM और BERT-GNN के लिए 8–12 GB की आवश्यकता होती है। नोटबुक मूल रूप से Google Colab पर विकसित किए गए थे (जो 12–16 GB और मुफ्त GPU प्रदान करता है)। यदि कुल 8 GB RAM वाली मशीन पर स्थानीय रूप से चला रहे हैं, तो पहले अन्य एप्लिकेशन बंद करें या प्रत्येक नोटबुक के शीर्ष पर बैज लिंक के माध्यम से Colab में चलाएँ।
रिपॉजिटरी रूट में स्क्रिप्ट संशोधित BERT-GNN पेपर में रिपोर्ट किए गए विस्तारित विश्लेषण को पुनः उत्पन्न करती हैं (एब्लेशन, सही किया गया होल्ड-आउट मूल्यांकन, संरचना-जागरूक ग्राफ, अस्पष्टता मजबूती, सात-परीक्षण मजबूती सूट, पूर्ण मीट्रिक, और क्रॉस-मॉडल निष्पादन समय)। वे प्रतिबद्ध SQL_Injection_Dataset.csv पढ़ती हैं, अपने आउटपुट results/ में लिखती हैं, और मध्यवर्ती आर्टिफैक्ट (BERT एम्बेडिंग, ग्राफ, प्रशिक्षित मॉडल) को .structure_work/ और .corrected_work/ के अंतर्गत कैश करती हैं। वे कैश निर्देशिकाएँ जानबूझकर ट्रैक नहीं की जाती हैं; प्रत्येक स्क्रिप्ट उन्हें डेटासेट से पुनः बनाती है और फिर से शुरू करने योग्य है, इसलिए CPU-केवल मशीन पर बाधित रन को बस फिर से शुरू किया जा सकता है और यह जारी रहेगा।
स्क्रिप्ट उन कैश के माध्यम से एक प्रोड्यूसर→कंज़्यूमर श्रृंखला बनाती हैं, इसलिए उन्हें इस क्रम में चलाएँ (प्रत्येक चरण को केवल डेटासेट और पहले के चरणों द्वारा लिखे गए कैश की आवश्यकता होती है):
pip install -r requirements.txt
python structure_graph_gnn.py # structure graphs + best.json (Optuna) + structure-GNN result
python corrected_bertgnn_retrain.py # held-out-validation retrain (chain graph) -> corrected result
python extract_train_cls.py # train-split BERT [CLS] embeddings (train_cls.npy)
python bert_only_ablation.py # BERT-only heads on the identical test set
python obfuscation_robustness.py # trains + caches gnn_model.pt / mlp_model.pkl; evasion recall
python robustness_1_sensitivity.py # seven-test robustness suite, one script each
python robustness_2_adversarial.py
python robustness_3_obfuscation_extended.py
python robustness_4_adaptive.py
python robustness_5_crossdataset.py
python robustness_6_significance.py
python robustness_7_calibration.py
python metrics_summary.py # full per-class metric tables
python complexity_breakdown.py # accuracy by query complexity (Table 4)
python make_result_figures.py # confusion matrices + comparison charts
python model_execution_times.py # training + inference time across all models
सभी स्क्रिप्ट अपने पथ रिपॉजिटरी के सापेक्ष हल करती हैं, एक निश्चित सीड (random_state=42) का उपयोग करती हैं, और किसी तर्क की आवश्यकता नहीं होती है। CPU पर चलाना पूरी तरह से समर्थित है (GPU केवल एम्बेडिंग और GNN-प्रशिक्षण चरणों को गति देता है)।
पुनरुत्पादन की अपेक्षित सटीकता। संख्याएँ बिट-दर-बिट के बजाय लगभग ±0.1–0.2 प्रतिशत अंकों तक पुनरुत्पादित होती हैं। मामूली भिन्नता CPU बनाम GPU निष्पादन, PyTorch गैर-नियतिवाद, और प्रारंभिक-रोक युग के रनों के बीच एक या दो से भिन्न होने से आती है। रिपोर्ट किए गए निष्कर्ष (ग्राफ स्वच्छ-सटीकता में कोई लाभ नहीं जोड़ता लेकिन URL-एन्कोडिंग चोरी के प्रति मजबूती में सुधार करता है, और संबंधित सांख्यिकीय परीक्षण) उस मार्जिन के भीतर अच्छी तरह से स्थिर हैं।
पर्यवेक्षक: प्रोफेसर अट्टा बदी (यूनिवर्सिटी ऑफ रीडिंग)। परियोजना के निष्पादन के दौरान सलाह के लिए PhD उम्मीदवार अहमद अशलाम को भी धन्यवाद। दोनों को शोध-प्रबंध में स्वीकार किया गया है।
यदि आप इस कार्य का संदर्भ देते हैं:
Musoke, L. L. (2024). Enhancing Web Application Firewall with Machine Learning for SQL Injection Detection. MSc dissertation, University of Reading.
MIT लाइसेंस के अंतर्गत जारी किया गया।
यह GitHub रिपॉजिटरी यूनिवर्सिटी ऑफ रीडिंग के संस्थागत Gitlab पर मूल सबमिशन को दर्शाती है: https://csgitlab.reading.ac.uk/qz820024/sql-injection-pipeline-project।
मूल कार्य घोषणा (शोध-प्रबंध से): "मैं, लिलियाने लिनेट मुसोके, यूनिवर्सिटी ऑफ रीडिंग के कंप्यूटर साइंस विभाग से, प्रमाणित करती हूँ कि यह मेरा मूल कार्य है, उन उदाहरणों को छोड़कर जहाँ मैंने अन्य लेखकों के योगदान को स्पष्ट रूप से स्वीकार किया है।"