Utilizing Large Language Model Algorithm for XSS, SQL, and Command Injection Detection

Imaginez l'internet comme une ville trépidante et chaotique où les sites web sont les boutiques, les banques et les mairies. Tout comme dans n'importe quelle ville, il y a des fauteurs de troubles qui tentent de s'introduire par la porte d'entrée, de crocheter les serrures ou de crier de fausses commandes au personnel. Dans le monde de la sécurité informatique, ces fauteurs de troubles utilisent des « attaques par injection ». C'est un nom sophistiqué pour un tour très simple : au lieu de faire une requête normale à un site web, un pirate tape une commande secrète cachée à l'intérieur d'une zone de texte, espérant que le site web obéira accidentellement. C'est comme un client qui entrerait dans une boulangerie et chuchoterait : « En fait, j'aimerais que vous supprimiez tout votre inventaire », et le boulanger, confus, le ferait réellement.

Pour attraper ces fauteurs de troubles rusés, des experts en sécurité ont construit des bouncers numériques. Pendant des années, ces bouncers étaient comme des bibliothécaires stricts qui ne laissaient entrer que les livres qui ressemblaient exactement à ceux de leur liste approuvée. Si un livre avait une couverture bizarre ou un titre étrange, il était rejeté. Mais les pirates deviennent plus intelligents ; ils changent leurs « couvertures » et leurs « titres » si vite que les anciens bouncers ne peuvent pas suivre. Voici la nouvelle génération de bouncers : les modèles de langage étendus (LLM). Ne les voyez pas comme des bibliothécaires rigides, mais comme des détectives super intelligents qui ont lu presque tous les livres de la bibliothèque. Ils ne regardent pas seulement la couverture ; ils comprennent l'histoire, le ton et la signification cachée. Ils peuvent faire la différence entre une phrase inoffensive et une commande malveillante simplement en « ressentant » le texte. Ce document pose une grande question : ces détectives super intelligents peuvent-ils être entraînés pour repérer les ruses spécifiques que les pirates utilisent pour s'introduire dans les sites web, et ont-ils besoin d'être des monstres géants et gourmands en énergie pour faire le travail, ou un détective plus petit et plus rapide peut-il faire aussi bien le travail ?

Les chercheurs derrière cette étude ont décidé de soumettre quatre détectives IA différents à un camp d'entraînement massif pour voir lequel pourrait le mieux repérer trois types spécifiques d'intrusions numériques : le Cross-Site Scripting (XSS), l'injection SQL et l'injection de commande. Ils n'ont pas seulement deviné ; ils ont nourri ces modèles avec un énorme ensemble de données de plus de 180 000 exemples de trafic « bon » et de trafic « mauvais », incluant des attaques déguisées et sournoises. Ils ont ensuite affiné les modèles, ce qui revient à leur donner un manuel spécialisé sur les ruses des pirates afin qu'ils puissent apprendre les schémas spécifiques de ces crimes.

Les résultats étaient étonnamment serrés, presque comme une course où les vainqueurs ont franchi la ligne d'arrivée à un cheveu près. La star du spectacle était un modèle appelé LLaMA-3.2-1B. Il a obtenu la meilleure performance globale, identifiant correctement le trafic malveillant avec une précision de 99,80 %, une précision de 99,82 % et un score F1 de 99,81 %. Il était incroyablement affûté, manquant très peu de méchants et accusant rarement des innocents. Cependant, l'article a également trouvé que vous n'avez pas nécessairement besoin du plus gros détective pour accomplir la tâche. Un modèle beaucoup plus petit appelé DistilBERT-base-uncased, qui ne possède que environ 0,93 % des paramètres entraînables de ses cousins plus grands (environ 630 532 paramètres entraînables sur 67,6 millions au total), a obtenu des résultats presque identiques : 99,80 % sur toute la ligne pour la précision, la précision, le rappel et le score F1.

L'étude a également testé deux autres modèles, GPT-2 et GPT-2-medium. Ils ont très bien performé aussi, avec une précision et une exactitude oscillant entre 99,7 % et 99,8 %. Curieusement, les chercheurs ont découvert que rendre le modèle plus grand ne le rendait pas toujours meilleur. Le modèle GPT-2-medium, qui est environ trois fois plus grand que le GPT-2 standard, n'a pas réellement attrapé plus de méchants ; en fait, il a obtenu un score légèrement inférieur. Cela suggère que pour cette tâche spécifique, une fois qu'un modèle est assez grand pour comprendre les schémas, le rendre encore plus grand, c'est comme acheter une voiture de sport très chère juste pour aller faire les courses — cela ne vous fait pas arriver plus vite.

En examinant comment les modèles ont commis des erreurs, l'article a révélé des particularités intéressantes. Les quatre modèles étaient presque parfaits pour repérer les attaques XSS ; en fait, trois d'entre eux ont réussi 100 % des cas de test XSS. Il semble que les balises « script » utilisées dans ces attaques soient comme un panneau néon géant impossible à manquer. Cependant, l'injection de commande était la catégorie la plus difficile. Le modèle LLaMA a un peu plus lutté ici, confondant occasionnellement une injection de commande avec du trafic normal. Pendant ce temps, les modèles GPT-2 avaient tendance à être un peu trop paranoïaques, signalant le trafic normal et sûr comme une attaque plus souvent que les autres.

Les auteurs concluent que, bien que le géant LLaMA-3.2-1B ait montré la performance globale la plus forte, le minuscule DistilBERT est une alternative fantastique pour une utilisation dans le monde réel car il est beaucoup plus rapide et nécessite moins de puissance de calcul tout en offrant un niveau de protection presque identique. L'article suggère que l'affinage de ces modèles est un moyen puissant de détecter les attaques par injection, mais il note également que ce n'est que le début. Les chercheurs soulignent qu'ils ont été confrontés à des défis, tels qu'un manque d'études antérieures sur ce sujet spécifique et des ressources informatiques limitées, ce qui signifie qu'il reste encore beaucoup de travail à faire pour perfectionner ces bouncers numériques. En fin de compte, l'étude prouve qu'avec le bon entraînement, même une petite IA efficace peut devenir un gardien presque parfait contre certaines des menaces web les plus courantes.