A ModernBERT-Based Web Application Firewall for Multi-Class HTTP Attack Detection

L'Internet est un vaste réseau de conversations numériques, où les applications web agissent comme les gardiens de tout, des services bancaires en ligne aux réseaux sociaux. Pour sécuriser ces passerelles, des systèmes de sécurité connus sous le nom de pare-feu d'applications web (WAF) montent la garde, inspectant chaque message qui tente d'entrer. Depuis des décennies, ces gardiens s'appuient sur une méthode simple : vérifier les messages entrants par rapport à une longue liste de modèles malveillants connus, un peu comme un videur vérifiant une liste d'invités à l'aide d'une photo d'identité. Bien que cela fonctionne bien pour les menaces familières, cette méthode peine lorsque les attaquants déguisent leur code malveillant à l'aide de ruses complexes ou lorsqu'ils inventent de toutes nouvelles façons de s'introduire dans les systèmes. Ces dernières années, les scientifiques se sont tournés vers l'intelligence artificielle pour aider ces gardiens à apprendre les subtiles différences entre une requête inoffensive et une requête dangereuse, dans l'espoir de détecter des menaces qu'aucun manuel de règles ne pourrait prédire. Cependant, une nouvelle étude révèle que les outils mêmes conçus pour enseigner à ces systèmes d'IA cachaient un défaut secret, amenant les chercheurs à se demander quelle part de l'« intelligence » était réellement réelle.

Une équipe de chercheurs du Sri Krishna College of Engineering and Technology en Inde s'est donné pour mission de construire un pare-feu plus intelligent, mais elle a d'abord dû résoudre un puzzle qui faussait les résultats d'expériences précédentes. Ils ont commencé par examiner une collection massive de près deux cent mille requêtes web étiquetées, un ensemble de données utilisé par beaucoup pour entraîner des modèles d'IA à détecter des attaques courantes telles que l'injection SQL, le cross-site scripting et l'injection de commandes. Ce sont des types spécifiques d'intrusions numériques où les attaquants tentent de voler des données, de détourner des sessions utilisateur ou de prendre le contrôle de serveurs. En creusant plus profondément dans les données, l'équipe a découvert un raccourci frappant. Les étiquettes indiquant si une requête était une attaque ou une requête sûre n'étaient pas déterminées par le contenu réel du message, mais par l'adresse où le message était envoyé. Dans cet ensemble de données, si un message était envoyé à une page de connexion, il était presque toujours étiqueté comme une attaque, tandis que les messages envoyés à une page de téléchargement de fichiers étaient presque toujours étiquetés comme sûrs. Un modèle d'IA entraîné sur ces données n'apprenait pas à reconnaître le code dangereux ; il mémorisait simplement quels sites web étaient associés à des problèmes, une ruse connue sous le nom de fuite d'étiquette (label leakage).

Pour correr cela, les chercheurs ont développé une nouvelle façon de préparer les données, supprimant les informations d'adresse afin que l'IA soit forcée de ne regarder que le contenu du message lui-même. Ils ont également ajouté des étapes pour décoder les couches de texte cachées que les attaquants utilisent pour déguiser leurs commandes, garantissant que l'IA voie la véritable nature de la requête. Avec ces données nettoyées, ils ont entraîné un modèle de langage moderne, un type d'intelligence artificielle conçu pour comprendre le contexte et la nuance, pour agir comme le nouveau pare-feu. Contraquirement aux anciens modèles qui ne pouvaient lire que de courts extraits de texte, ce nouveau système pouvait traiter des messages plus longs et plus complexes sans perdre de détails importants. Les chercheurs ont ensuite testé ce nouveau système sur un ensemble de test sans fuite de 19 896 requêtes, créé via une division stratifiée par groupe pour garantir qu'aucun raccourci basé sur l'adresse ne subsistait.

Les résultats furent saisissants. Le nouveau pare-feu a correctement identifié la nature de presque chaque message examiné, atteignant un taux de précision de 99,74 pour cent. Il a distingué avec succès le trafic inoffensif des attaques dangereuses comme l'injection SQL, le cross-site scripting et l'injection de commandes avec un niveau de précision qui dépassait de loin les méthodes traditionnelles. Plus impressionnant encore était sa vitesse ; le système pouvait analyser une seule requête web en seulement 12 millisecondes, assez rapide pour protéger les sites web en direct sans les ralentir. L'étude a également montré que lorsque les chercheurs supprimaient les raccourcis basés sur l'adresse, les performances des anciens modèles d'apprentissage automatique chutaient considérablement, prouvant qu'ils dépendaient des mêmes schémas défectueux. En revanche, le nouveau système maintenait sa haute précision, démontrant qu'il avait véritablement appris à reconnaître la structure d'une attaque plutôt que de simplement deviner en fonction de la destination.

Ce travail fait plus que simplement améliorer un outil de sécurité ; il change la manière dont les scientifiques évaluent la sûreté des applications web. En prouvant que les scores élevés précédents étaient souvent le résultat d'un défaut de données plutôt que d'une intelligence véritable, les chercheurs ont établi une nouvelle norme plus stricte pour les tests. Ils ont montré que pour qu'une IA soit véritablement fiable, elle doit être entraînée à ignorer le contexte de la destination d'un message et se concentrer entièrement sur ce que le message dit réellement. L'équipe a déjà construit un prototype fonctionnel de ce système, combinant des vérifications rapides basées sur des règles avec leur modèle d'apprentissage profond pour créer une défense hybride capable de gérer les menaces complexes et évolutives du web moderne. Leurs conclusions suggèrent que l'avenir de la sécurité web ne réside pas dans de plus grandes listes de règles, mais dans des systèmes capables de comprendre le langage subtil et changeant des attaques numériques, à condition qu'ils reçoivent les bons enseignements dès le départ.