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")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_arrayimport 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VeVb武林網。
新聞熱點
疑難解答
