Verwenden von Keras zur Beurteilung von SQL-Injection-Angriffen (Beispielerklärung)

SQL-Injection-Daten importieren
importiere Numpy als np
Keras importieren
von keras.models importiere Sequential
aus keras.layers importiere Dense, Dropout, Aktivierung
von keras.layers.normalization importiere BatchNormalization
von keras.optimizers importiere SGD
 
x, y=SQL-InjectionData.loadSQLInjectData()
verfügbareVektorgröße=15
x = keras.preprocessing.sequence.pad_sequences(x, Polsterung='post', maxlen=verfügbareVektorgröße)
y = keras.utils.to_categorical(y, Anzahl_Klassen=2)
 
 
Modell = Sequentiell()
model.add(Dense(64, Aktivierung='relu', input_dim=verfügbareVektorgröße))
Modell.Hinzufügen(BatchNormalisierung())
Modell.Hinzufügen(Ausfall(0,3))
model.add(Dense(64, Aktivierung='relu'))
Modell.Hinzufügen(Ausfall(0,3))
model.add(Dense(2, Aktivierung='softmax'))
 
sgd = SGD(lr=0,001, Impuls=0,9)
Modell.Kompilieren(Verlust='mse',
  Optimierer = sgd,
  Metriken = ['Genauigkeit'])
 
Verlauf = Modell.Fit(x, y, Epochen = 500, Batchgröße = 16)
 
model.save('E:\\sql_checker\\models\\trainierte_modelle.h5')
drucken("FERTIG, Modell gespeichert im Pfad-->E:\\sql_checker\\models\\trained_models.h5")
 
importiere matplotlib.pyplot als plt
plt.plot(History.History['Verlust'])
plt.title('Modellverlust')
plt.ylabel('Verlust')
plt.xlabel('Epoche')
plt.legend(['trainieren', 'testen'], loc='oben links')
plt.anzeigen()

von keras.optimizers importiere SGD
 
sgd = SGD(lr=0,001, Impuls=0,9)
Modell.Kompilieren(Verlust='mse',
  Optimierer = sgd,
  Metriken = ['Genauigkeit'])

x = keras.preprocessing.sequence.pad_sequences(x, Polsterung='post', maxlen=verfügbareVektorgröße)

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

SQL-Injection-Daten importieren
Importkonverter
 
 
importiere Numpy als np
Keras importieren
von keras.models importiere load_model
 
drucken("vorhersagen...")
 
x=SQL InjectionData.loadTestSQLInjectData()
x = keras.preprocessing.sequence.pad_sequences(x, Polsterung='post', maxlen=15)
 
Modell = Modell laden('E:\\sql_checker\\Modelle\\trainierte_Modelle.h5')
Ergebnis = Modell.predict_classes(x, Batchgröße = Länge(x))
Ergebnis = Konverter.convert2label(Ergebnis)
drucken(Ergebnis)
 
 
drucken("FERTIG")

def toints (Satz):
 Basis=ord('0')
 ary=[]
 für c im Satz:
  ary.append(ord(c)-base)
 Rückkehr
 
 
def convert2label(Vektor):
 Zeichenfolgenarray=[]
 für v im Vektor:
  wenn v==1:
   string_array.append('SQL-Injektion')
  anders:
   string_array.append('normaler Text')
 Zeichenfolgen-Array zurückgeben

Importkonverter
importiere Numpy als np
 
def loadSQLInjectData():
 x=[]
 x.anhängen(Converter.toints("100"))
 x.anhängen(Converter.toints("150"))
 x.anhängen(Converter.toints("1"))
 x.anhängen(Converter.toints("3"))
 x.anhängen(Converter.toints("19"))
 x.anhängen(Converter.toints("37"))
 x.anhängen(Converter.toints("1'--"))
 x.append(Converter.toints("1' oder 1=1;--"))
 x.append(Converter.toints("aktualisierbar"))
 x.append(Converter.toints("Tabelle aktualisieren"))
 x.append(Converter.toints("aktualisiere etwas"))
 x.anhängen(Converter.toints("aktualisieren"))
 x.append(Converter.toints("updat"))
 x.append(Converter.toints("aktualisiere a"))
 x.anhängen(Converter.toints("'--"))
 x.append(Converter.toints("' oder 1=1;--"))
 x.append(Converter.toints("aupdatable"))
 x.append(Converter.toints("Hallo Welt"))
 
 y=[[0],[0],[0],[0],[0],[0],[1],[1],[0],[1],[0],[1],[0],[1],[0],[1],[0],[1],[0],[1],[0],[0]]
 
 x = np.asarray(x)
 y = np.alsarray(y)
 
 Rückgabewert x, y
 
 
def loadTestSQLInjectData(): 
 x=[]
 x.append(Converter.toints("ein Wert"))
 x.anhängen(Converter.toints("-1"))
 x.append(Converter.toints("' oder 1=1;--"))
 x.append(Converter.toints("kein Update"))
 x.append(Converter.toints("aktualisieren"))
 x.anhängen(Converter.toints("aktualisieren"))
 x.anhängen(Converter.toints("update z"))
 x = np.asarray(x)
 Rückgabe x