共計 4224 個字符，預計需要花費 11 分鐘才能閱讀完成。
丸趣 TV 小編給大家分享一下如何使用 keras 做 SQL 注入攻擊判斷，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！
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.h6)
print(DONE, model saved in path-- E:\\sql_checker\\models\\trained_models.h6)
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.h6)
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 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以上是“如何使用 keras 做 SQL 注入攻擊判斷”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注丸趣 TV 行業資訊頻道！
