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(guī)則化、dropout層（隨著深度學習出現(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(shù)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(shù)據(jù)，驗證數(shù)據(jù)的類，由于這里的訓練是有監(jiān)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(shù)、訓練epoch次數(shù)等
predict類，獲取幾個測試數(shù)據(jù)，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(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(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：
