Prediction of SQL injection using Machine Learning
تركز هذه الورقة على تقييم تقنيات تعلم آلي متنوعة للكشف عن هجمات حقن لغة الاستعلامات الهيكلية (SQL injection) والتنبؤ بها بفعالية، والتي تسمح للمهاجمين بالتلاعب باستعلامات قواعد البيانات واختراق أمن الخادم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الحارس الرقمي وفن الهوية المزيفة
تخيل الإنترنت كمدينة ضخمة وصاخبة حيث يمثل كل موقع إلكتروني مبنىً له مكتب استقبال. خلف ذلك المكتب، تجلس مكتبة ضخمة ومنظمة تسمى "قاعدة البيانات"، تضم كل شيء من فيديوهات القطط المفضلة لديك إلى أرقام حساباتك المصرفية. لطلب كتاب من أمين المكتبة، تستخدم لغة خاصة تسمى SQL (لغة الاستعلام الهيكلية). إنها بمثابة طريقة مهذبة ومعيارية لقول: "أرني جميع السجلات التي يكون فيها الاسم 'أليس'".
ولكن ماذا لو لم يكن الشخص الموجود عند مكتب الاستقبال ضيفاً مهذباً، بل كان بارعاً في التنكر؟ هذا هو عالم حقن SQL (SQL injection). إنها خدعة ماكرة حيث لا يكتفي المهاجم بطلب كتاب فحسب؛ بل يمرر ملاحظة مزيفة ضمن طلبه تخدع أمين المكتبة لجعله يعتقد: "أوه، في الواقع، أرني كل كتاب في المبنى"، أو حتى، "اسمح لي بإعادة كتابة الفهرس". إذا كان أمن المبنى ضعيفاً، فإن هذه الخدعة تسمح للمخترقين بسرقة الأسرار، أو حذف السجلات، أو إغلاق الأبواب تماماً.
ولإيقاف هؤلاء اللصوص الرقميين، يتجه العلماء إلى تعلم الآلة (Machine Learning) والتعلم العميق (Deep Learning). لا تنظر إلى هذه التقنيات كتعاويذ سحرية، بل كحراس ذكيين ولا يكلون. فبدلاً من حفظ قائمة بالمجرمين المعروفين، يدرس هؤلاء الحراس آلاف الحوادث الماضية. إنهم يتعلمون الأنماط الدقيقة للطلب "الطبيعي" مقابل الطلب "المتسلل"، تماماً كما يمكن لحارس ذو خبرة أن يكتشف الهوية المزيفة بمجرد مراقبة الطريقة التي يحمل بها الشخص بطاقته. والسؤال الكبير هو: هل يمكننا تعليم هؤلاء الحراس الرقميين تمييز التزوير بسرعة ودقة كافيتين للحفاظ على سلامة المكتبة؟
سرقة قاعدة البيانات الكبرى: حكاية الحراس الأذكياء
في هذا البحث، قرر راديكا سريذهارانان والدكتور سامباث أ ك من جامعة بريسيدنسي وضع عدة أنواع مختلفة من الحراس الرقميين تحت الاختبار. كان هدفهم بسيطاً ولكنه حيوي: العثหา أفضل خوارزمية لتعلم الآلة لرصد هجمات حقن SQL قبل أن تتسبب في حدوث ضرر. لقد تعاملوا مع المشكلة كأنها لعبة "ابحث عن المنتحل"، باستخدام مجموعة بيانات تضم آلاف استعلامات قواعد البيانات—بعضها كانت طلبات صادقة وطبيعية (موسومة بـ 0)، والأخرى كانت هجمات خبيثة ومحقونة (موسومة بـ 1).
لم يكتفِ الباحثون باختيار حارس واحد؛ بل أحضروا فرقة كاملة بأنماط مختلفة. كان هناك المحققون الكلاسيكيون مثل آلات المتجهات الداعمة (SVM)، وأشجار القرار (Decision Trees)، والغابات العشوائية (Random Forests)، والتي تبحث عن قواعد وأنماط محددة. ثم كان هناك المفكرون العميقون مثل LSTM (نوع من نماذج التعلم العميق) الذين يحاولون فهم تسلسل وتدفق الكلمات، تماماً مثل قراءة جملة لفهم معناها بدلاً من مجرد عدّ الحروف. كما جربوا أيضاً الانحدار اللوجستي (Logistic Regression) والتجميع المتدرج (Agglomerative Clustering)، والتي تجمع الأشياء المتشابهة معاً للعثور على العناصر الغريبة.
ولكن هنا تكمن الحبكة في قصتهم: كان تدريب هؤلاء الحراس يشبه تعليم كلب على جلب الأشياء. اكتشف الباحثون أنه إذا أظهرت للحارس "كلاباً جيدة" فقط (استعلامات طبيعية) أو "كلاباً سيئة" فقط (هجمات)، فسيصاب الحارس بالارتباك. إذا رأى الحارس استعلامات طبيعية فقط، فسيفترض أن كل شيء آمن، حتى عندما يدخل مخترق. وإذا رأى هجمات فقط، فسيظن أن كل زائر هو مجرم. ينفي البحث صراحةً فكرة أن هذه النماذج تعمل جيداً بمعزل عن بعضها البعض؛ إذ يجب تدريبها على مزيج من الأمثلة الجيدة والسيئة لتعلم الفرق.
ومع تقدم التدريب، بدأت النتائج تتألق. أثبت نموذج LSTM، المتخصص في التعلم العميق، أنه حاد الذكاء بشكل مذهل. ومع ذلك، لم يصل إلى دقة 1 (أو 100%) إلا بعد جولات قليلة من التدريب عندما تمت تغذيته بمزيج من الاستعلامات الطبيعية والخبيثة. وإذا تم تدريبه على نوع واحد فقط، فسيخطئ في تفسير النوع الآخر. وبالمثل، قدمت آلة المتجهات الداعمة (SVM) أداءً استثنائياً، لكنها لم تصل إلى دقة تتجاوز 99% إلا بعد أن أضاف الباحثون عدداً أكبر من المدخلات التي تحتوي على كلا القيمتين (0 و1). ولم يتخلف نموذج الغابة العشوائية (Random Forest) كثيراً، حيث حقق دقة بنسبة 99%، بينما سجلت أشجار القرار (Decision Trees) والانحدار اللوجستي (Logistic Regression) نسبة 97.8% و98.5% على التوالي. وحتى طريقة التجميع، التي تجمع الأشياء معاً، تمكنت من الوصول إلى دقة 97% بمجرد حصولها على بيانات مختلطة كافية للعمل بها.
ومع ذلك، يسلط البحث الضوء أيضاً على بعض العقبات. فعندما تم اختبار النماذج باستخدام نوع واحد فقط من البيانات (كلها جيدة أو كلها سيئة)، واجهت صعوبة كبيرة. على سبيل المثال، لم يفشل نموذج التجميع المتدرج (Agglomerative Clustering) تماماً، لكنه سجل درجات دقة منخفضة: فقد أعطى دقة 25% فقط عندما تم تدريبه على الهجمات فقط، و50% عندما تم تدريبه على الاستعلامات الطبيعية فقط. لقد كان بحاجة إلى الصورة الكاملة ليفهم الفوضى. وبالمثل، أخطأت نماذج أشجار القرار والغابات العشوائية في تفسير الهجمات على أنها استعلامات طبيعية إذا لم تكن قد رأت ما يكفي من أمثلة الهجمات أثناء التدريب.
لم يتوقف الباحثون عند الأرقام فحسب؛ بل بحثوا في لماذا نجحت هذه النماذج. وجدوا أن تنظيف البيانات—أي إزالة أخطاء علامات الترقيم الغريبة التي لم تكن في الواقع هجمات—كان خطوة أولى حيوية. كما لاحظوا أنه بينما يمكن لبعض النماذج مثل LSTM الوصول إلى درجات مثالية بسرعة، فإن نماذج أخرى تحتاج إلى حجم أكبر من البيانات للوصول إلى ذلك. تشير الدراسة إلى أنه بينما لا يوجد نموذج واحد يمثل "الحل السحري" لكل موقف، فإن الجمع بين هذه الأدوات، وتدريبها على بيانات متنوعة ومتوازنة، يخلق دفاعاً قوياً للغاية.
في النهاية، يخلص البحث إلى أن SVM وLSTM هما المنافسان الأبرز للإمساك بهؤلاء اللصوص الرقميين، يليهما عن كثب الغابة العشوائية (Random Forest). ويرى المؤلفون أنه بينما تعد هذه النماذج فعالة للغاية، فإن المهمة لم تنتهِ بعد. إنهم يخططون للتعمق أكثر في أنواع مختلفة من الهجمات وتحسين نماذجهم بشكل أكبر. أما بالنسبة للآن، فالخلاسة واضحة: لبناء مكتبة رقمية آمنة، تحتاج إلى حارس قد رأى الأخيار والأشرار معاً، وإلى الأدوات الصحيحة للتمييز بينهم. يبدو أن مستقبل أمن قواعد البيانات يكمن في هذه الخوارزميات الذكية المتعلمة التي لا تتوقف أبداً عن مراقبة الباب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.