本文是通過深度學習框架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網絡，只是外加了一些規則化、dropout層（隨著深度學習出現的層）。
基本思路就是喂入一堆數據（INT型）、通過神經網絡計算（正向、反向）、SOFTMAX多分類概率計算得出各個類的概率，注意：這里只要2個類別：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python文件：
util類，用來將char轉換成int（NN要的都是數字類型的，其他任何類型都要轉換成int/float這些才能喂入，又稱為feed）
data類，用來獲取訓練數據，驗證數據的類，由于這里的訓練是有監督訓練，因此此時需要返回的是個元組(x, y)
trainer類，keras的網絡模型建模在這里，包括損失函數、訓練epoch次數等
predict類，獲取幾個測試數據，看看效果的預測類
先放trainer類代碼，網絡定義在這里，最重要的一個，和數據格式一樣重要（呵呵，數據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，因為最容易解釋，這段代碼是用來把每次epoch的訓練的損失loss value用折線圖表示出來：
何為訓練？何為損失loss value？
訓練的目的是為了想讓網絡最終計算出來的分類數據和我們給出的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，還有好幾種損失函數，大家自己參考啊。
optimizer=sgd就是優化算法用哪個了，不同的optimizer有不同的參數
由于此處用的是全連接NN，因此是需要固定的輸入size的，這個函數就是用來固定（不夠會補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one hot大家自己查查，很容易的定義，就是比較浪費空間，分類間沒有關聯性，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，似乎有那么點意思了吧。
下面把另外幾個工具類、數據類代碼放出來：
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(實例講解)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。
