本文是通過深度學習框架keras來做SQL注入特徵識別， 不過雖然用了keras，但是大部分還是普通的神經網路，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資料（INT型）、通過神經網路計算（正向、反向）、SOFTMAX多分類概率計算得出各個類的概率，注意：這裡只要2個類別：0-正常的文字；1-包含SQL注入的文字

檔案分割上，做成了4個python檔案：

util類，用來將char轉換成int（NN要的都是數字型別的，其他任何型別都要轉換成int/float這些才能喂入，又稱為feed）

data類，用來獲取訓練資料，驗證資料的類，由於這裡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的網路模型建模在這裡，包括損失函式、訓練epoch次數等

predict類，獲取幾個測試資料，看看效果的預測類

先放trainer類程式碼，網路定義在這裡，最重要的一個，和資料格式一樣重要（呵呵，資料格式可是非常重要的，在這種程式中）

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的程式碼，因為最容易解釋，這段程式碼是用來把每次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路最終計算出來的分類資料和我們給出的y一致，那不一致怎麼算？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

怎麼讓損失最小化？梯度下降，這裡用的是SGD優化演算法：

from keras.optimizers import SGD
 
sgd = SGD(lr=0.001,metrics=['accuracy'])

上面這段程式碼的loss='mse'就是定義了用那種損失函式，還有好幾種損失函式，大家自己參考啊。

optimizer=sgd就是優化演算法用哪個了，不同的optimizer有不同的引數

由於此處用的是全連線NN，因此是需要固定的輸入size的，這個函式就是用來固定（不夠會補0） 特徵向量size的：

x=keras.preprocessing.sequence.pad_sequences(x,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，不過用在這裡很方便

y=keras.utils.to_categorical(y,num_classes=2)

然後再說說預測部分程式碼：

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,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")

這部分程式碼很容易理解，並且連y都沒有　　

好了，似乎有那麼點意思了吧。

下面把另外幾個工具類、資料類程式碼放出來：

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('正常文字')
 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],[1],[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(例項講解)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，也希望大家多多支援我們。