本文是通過深度學(xué)習(xí)框架keras來做SQL注入特征識別， 不過雖然用了keras，但是大部分還是普通的神經(jīng)網(wǎng)絡(luò)，只是外加了一些規(guī)則化、dropout層（隨著深度學(xué)習(xí)出現(xiàn)的層）。
基本思路就是喂入一堆數(shù)據(jù)（INT型）、通過神經(jīng)網(wǎng)絡(luò)計(jì)算（正向、反向）、SOFTMAX多分類概率計(jì)算得出各個(gè)類的概率，注意：這里只要2個(gè)類別：0-正常的文本；1-包含SQL注入的文本
文件分割上，做成了4個(gè)python文件：
util類，用來將char轉(zhuǎn)換成int（NN要的都是數(shù)字類型的，其他任何類型都要轉(zhuǎn)換成int/float這些才能喂入，又稱為feed）
data類，用來獲取訓(xùn)練數(shù)據(jù)，驗(yàn)證數(shù)據(jù)的類，由于這里的訓(xùn)練是有監(jiān)督訓(xùn)練，因此此時(shí)需要返回的是個(gè)元組(x, y)
trainer類，keras的網(wǎng)絡(luò)模型建模在這里，包括損失函數(shù)、訓(xùn)練epoch次數(shù)等
predict類，獲取幾個(gè)測試數(shù)據(jù)，看看效果的預(yù)測類
先放trainer類代碼，網(wǎng)絡(luò)定義在這里，最重要的一個(gè)，和數(shù)據(jù)格式一樣重要（呵呵，數(shù)據(jù)格式可是非常重要的，在這種程序中）
import SQL注入Data
import numpy as np
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.layers.normalization import BatchNormalization
from keras.optimizers import SGD
x, y=SQL注入Data.loadSQLInjectData()
availableVectorSize=15
x=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 plt
plt.plot(history.history['loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()
先來解釋上面這段plt的代碼，因?yàn)樽钊菀捉忉專@段代碼是用來把每次epoch的訓(xùn)練的損失loss value用折線圖表示出來：
何為訓(xùn)練？何為損失loss value？
訓(xùn)練的目的是為了想讓網(wǎng)絡(luò)最終計(jì)算出來的分類數(shù)據(jù)和我們給出的y一致，那不一致怎么算？不一致就是有損失，也就是說訓(xùn)練的目的是要一致，也就是要損失最小化
怎么讓損失最小化？梯度下降，這里用的是SGD優(yōu)化算法：
from keras.optimizers import SGD
sgd = SGD(lr=0.001, momentum=0.9)
model.compile(loss='mse',
optimizer=sgd,
metrics=['accuracy'])
上面這段代碼的loss='mse'就是定義了用那種損失函數(shù)，還有好幾種損失函數(shù)，大家自己參考啊。
optimizer=sgd就是優(yōu)化算法用哪個(gè)了，不同的optimizer有不同的參數(shù)
由于此處用的是全連接NN，因此是需要固定的輸入size的，這個(gè)函數(shù)就是用來固定（不夠會補(bǔ)0） 特征向量size的：
x=keras.preprocessing.sequence.pad_sequences(x, padding='post', maxlen=availableVectorSize)
再來看看最終的分類輸出，是one hot的，這個(gè)one hot大家自己查查，很容易的定義，就是比較浪費(fèi)空間，分類間沒有關(guān)聯(lián)性，不過用在這里很方便
y=keras.utils.to_categorical(y, num_classes=2)
然后再說說預(yù)測部分代碼：
import SQL注入Data
import Converter
import numpy as np
import keras
from 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")
這部分代碼很容易理解，并且連y都沒有
好了，似乎有那么點(diǎn)意思了吧。
下面把另外幾個(gè)工具類、數(shù)據(jù)類代碼放出來：
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 Converter
import 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
以上這篇使用keras做SQL注入攻擊的判斷(實(shí)例講解)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
