Skip to content
KitploitKITPLOIT
StrumentiBlog
Invia
StrumentiBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

··Feed·Contatto·Privacy·© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
Strumenti/GitHubGitHub/mouna23/api-attack-detection-with-ai
Scanner di VulnerabilitàAnalisi del CodiceSicurezza WebMachine LearningApprendimento e FormazioneSicurezza delle API
GitHubmouna23/api-attack-detection-with-ai

API-attack-detection-with-AI

rilevamento degli attacchi SQL/XSS su API web con IA

Vedi RepositorySito web
3159 mesi faNon ancora revisionato

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →
Condividi

Rilevamento di attacchi SQL/XSS su API Web con intelligenza artificiale / machine learning

Questo progetto mira a rilevare le iniezioni SQL e XSS in richieste/parametri API utilizzando il machine learning.

Presentazione del progetto

Questo progetto mira a rilevare le iniezioni SQL e XSS in richieste e parametri API utilizzando tecniche di Machine Learning.
L'obiettivo è creare un semplice pipeline che consenta di:

  • preparare e pulire un dataset di richieste API,
  • addestrare un modello in grado di classificare automaticamente le richieste come benign, sql_injection o xss,
  • fornire un modello riutilizzabile per test o per una futura API di rilevamento in tempo reale.

Workflow del progetto

  1. Preparare il dataset
    Il file generated_payloads.csv nella cartella contiene esempi di richieste API etichettate (, , ) provenienti da fonti esterne come Kaggle o generate localmente.

data/
sql_injection
xss
benign

  • Pulizia e suddivisione del dataset

    root@kitploit:~
    python scripts/clean_and_split.py

    • Lo script:

    • rimuove i duplicati e le righe vuote,
    • pulisce i testi (spazi, a capo, tabulazioni),
    • normalizza le etichette,

    e genera:

    • data/combined.csv : dataset completo pulito,
    • data/train.csv : dati di addestramento (80%),
    • data/test.csv : dati di test (20%).
    1. Addestramento del modello
      root@kitploit:~
      python scripts/train_model.py

    Il modello utilizza un pipeline ML:

    • TF-IDF Vectorizer (TfidfVectorizer) : trasforma le richieste testuali in vettori numerici, catturando l'importanza di parole o simboli sospetti.
    • Logistic Regression (LogisticRegression) : classificatore supervisionato che apprende ad associare i vettori TF-IDF alle classi sql_injection, xss o benign.

    Dopo l'addestramento, il modello viene salvato nella cartella models, e può essere utilizzato per prevedere la classe di una nuova richiesta.

    1. Test automatici
      root@kitploit:~
      pytest -v -s tests/test_pipeline.py

    Il test verifica che:

    • il modello sia caricabile,
    • preveda correttamente diversi esempi semplici,
    • non si verifichino errori nel pipeline.
    1. Dipendenze Python
      root@kitploit:~
      pip3 install -r requirements.txt

    Librerie:

    • pandas
    • scikit-learn
    • joblib
    • pytest
    1. Note
      Gli script sono progettati per essere eseguiti localmente, in un ambiente Python 3.13+ con le dipendenze elencate.
    Scarica lo strumento