Проєктування системи веб-захисту на основі машинного навчання

Abstract

У роботі представлено проєктування системи веб-захисту на основі машинного навчання, спрямованої на протидію стійким веб-загрозам, таким як SQL-ін’єкції та XSS. Запропонована архітектура реалізує трирівневу побудову зі сквозним потоком даних, що поєднує журнали трафіку, результати краулінгу та відкриті реєстри вразливостей. Подвійний конвеєр обробки даних включає «класичну» гілку (ознаки TF-IDF та ансамбль традиційних ML-моделей) і «нейромережеву» гілку на основі LSTM, над якими працює метапередбачувач із єдиною оцінкою ризику. Функціонування системи організовано в чотири фази: краулінг, пасивний ML-аналіз, ML-керований фаззинг і доказову активну валідацію. Такий підхід дає змогу зменшити кількість активних запитів, скоротити хибнопозитивні спрацьовування, підвищити пропускну здатність перевірок і забезпечити відтворюваність результатів та інтеграцію в CI/CD-процеси.