使用keras做SQL注入攻击的判断(实例讲解)

数据库  /  管理员 发布于 5年前   327

本文是通过深度学习框架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Dataimport numpy as npimport kerasfrom keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activationfrom keras.layers.normalization import BatchNormalizationfrom keras.optimizers import SGD x, y=SQL注入Data.loadSQLInjectData()availableVectorSize=15x=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.h5')print("DONE, model saved in path-->E:\\sql_checker\\models\\trained_models.h5") import matplotlib.pyplot as pltplt.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Dataimport Converter  import numpy as npimport kerasfrom 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.h5')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 Converterimport 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

以上这篇使用keras做SQL注入攻击的判断(实例讲解)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。