Обнаружение SQL/XSS атак на веб-API с помощью искусственного интеллекта / машинного обучения

Этот проект направлен на обнаружение SQL-инъекций и XSS в запросах/параметрах API с использованием машинного обучения.

Описание проекта

Этот проект направлен на обнаружение инъекций SQL и XSS в запросах и параметрах API с использованием методов Машинного обучения.
Цель — создать простой конвейер, позволяющий:

• подготавливать и очищать набор данных запросов API,
• обучать модель, способную автоматически классифицировать запросы как benign, sql_injection или xss,
• предоставить переиспользуемую модель для тестирования или будущего API обнаружения в реальном времени.

---

Рабочий процесс проекта

1. Подготовка набора данных
   Файл generated_payloads.csv в папке data/ содержит примеры помеченных запросов API (sql_injection, xss, benign) из внешних источников, таких как Kaggle, или сгенерированных локально.

2. Очистка и разделение набора данных

   root@kitploit:~

   python scripts/clean_and_split.py
   

   Скрипт:

   • удаляет дубликаты и пустые строки,

   • очищает текст (пробелы, переносы строк, табуляции),

   • нормализует метки,

   и создает:

   • data/combined.csv : полный очищенный набор данных,

   • data/train.csv : данные для обучения (80%),

   • data/test.csv : данные для тестирования (20%).

3. Обучение модели

   root@kitploit:~

   python scripts/train_model.py
   

   Модель использует конвейер ML:

   TF-IDF Vectorizer (TfidfVectorizer) : преобразует текстовые запросы в числовые векторы, захватывая важность подозрительных слов или символов.

   Logistic Regression (LogisticRegression) : контролируемый классификатор, который учится сопоставлять векторы TF-IDF с классами sql_injection, xss или benign.

   После обучения модель сохраняется в папке models и впоследствии может быть использована для предсказания класса нового запроса.

4. Автоматические тесты

   root@kitploit:~

   pytest -v -s tests/test_pipeline.py
   

   Тест проверяет, что:

   • модель загружается,

   • она корректно предсказывает несколько простых примеров,

   • не возникает ошибок конвейера.

5. Python-зависимости

   root@kitploit:~

   pip3 install -r requirements.txt
   

   Библиотеки

   • pandas

   • scikit-learn

   • joblib

   • pytest

6. Примечания
   Скрипты предназначены для локального запуска в среде Python 3.13+ с перечисленными зависимостями.