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

इंटरनेट डिजिटल बातचीत का एक विशाल नेटवर्क है, जहाँ वेब एप्लिकेशन ऑनलाइन बैंकिंग से लेकर सोशल मीडिया तक सब कुछ के लिए द्वारपाल (गेटकीपर) के रूप में कार्य करते हैं। इन द्वारों को सुरक्षित रखने के लिए, वेब एप्लिकेशन फायरवॉल नामक सुरक्षा प्रणालियाँ पहरा देती हैं, जो प्रवेश करने वाले प्रत्येक संदेश का निरीक्षण करती हैं। दशकों से, ये गार्ड एक सरल विधि पर निर्भर रहे हैं: आने वाले संदेशों की ज्ञात बुरे पैटर्न की एक लंबी सूची के साथ जाँच करना, ठीक वैसे ही जैसे एक बाउंसर फोटो आईडी के साथ अतिथि सूची की जाँच करता है। हालांकि यह परिचित खतरों के लिए अच्छी तरह काम करता है, लेकिन यह तब संघर्ष करता है जब हमलावर जटिल युक्तियों का उपयोग करके अपने दुर्भावनापूर्ण कोड को छिपाते हैं या जब वे घुसपैठ करने के बिल्कुल नए तरीके आविष्कार करते हैं। हाल के वर्षों में, वैज्ञानिकों ने इन गार्डों को यह सीखने में मदद करने के लिए कृत्रिम बुद्धिमत्ता (AI) की ओर रुख किया है कि एक हानिरहित अनुरोध और एक खतरनाक अनुरोध के बीच सूक्ष्म अंतर क्या है, इस उम्मीद में कि वे उन खतरों को भी पहचान सकें जिनकी भविष्यवाणी कोई नियम पुस्तिका कभी नहीं कर सकती। हालाँकि, एक नया अध्ययन बताता है कि जिन उपकरणों का उपयोग इन AI प्रणालियों को सिखाने के लिए किया गया था, उनमें से कुछ ने एक गुप्त दोष छिपा रखा था, जिससे शोधकर्ता इस बात पर सवाल उठाने को मजबूर हुए कि वास्तविक "बुद्धिमत्ता" कितनी थी।

श्री कृष्णा कॉलेज ऑफ इंजीनियरिंग एंड टेक्नोलॉजी, भारत के शोधकर्ताओं की एक टीम ने एक स्मार्ट फायरवॉल बनाने का लक्ष्य रखा, लेकिन उन्हें पहले उस पहेली को हल करना था जिसने पिछले प्रयोगों के परिणामों को गलत दिशा में मोड़ दिया था। उन्होंने लगभग दो लाख लेबल किए गए वेब अनुरोधों के एक विशाल संग्रह के परीक्षण से शुरुआत की, जो एक ऐसा डेटासेट था जिसका उपयोग कई लोगों द्वारा SQL इंजेक्शन, क्रॉस-साइट स्क्रिप्टिंग और कमांड इंजेक्शन जैसे सामान्य हमलों का पता लगाने के लिए AI मॉडल को प्रशिक्षित करने हेतु किया गया था। ये डिजिटल घुसपैठ के विशिष्ट प्रकार हैं जहाँ हमलावर डेटा चुराने, उपयोगकर्ता सत्रों को हाईजैक करने या सर्वरों पर नियंत्रण पाने की कोशिश करते हैं। जैसे ही टीम ने डेटा की गहराई से जांच की, उन्हें एक चौंकाने वाला शॉर्टकट मिला। यह लेबल कि कोई अनुरोध हमला था या सुरक्षित था, संदेश की वास्तविक सामग्री द्वारा निर्धारित नहीं किया गया था, बल्कि उस पते (एड्रेस) द्वारा निर्धारित किया गया था जहाँ संदेश भेजा जा रहा था। इस डेटासेट में, यदि कोई संदेश लॉगिन पेज पर भेजा गया था, तो उसे लगभग हमेशा हमले के रूप में लेबल किया गया था, जबकि फाइल अपलोड पेज पर भेजे गए संदेशों को लगभग हमेशा सुरक्षित के रूप में लेबल किया गया था। एक AI मॉडल जिसे इस डेटा पर प्रशिक्षित किया गया था, वह खतरनाक कोड को पहचानना नहीं सीख रहा था; वह केवल यह याद रख रहा था कि कौन से वेब पेज परेशानी से जुड़े थे, जिसे 'लेबल लीकेज' (label leakage) नामक चाल कहा जाता है।

इसे ठीक करने के लिए, शोधकर्ताओं ने डेटा को तैयार करने का एक नया तरीका विकसित किया, जिसमें पते की जानकारी को हटा दिया गया ताकि AI संदेश की सामग्री पर ही ध्यान केंद्रित करने के लिए मजबूर हो सके। उन्होंने उन छिपे हुए टेक्स्ट स्तरों को डिकोड करने के चरण भी जोड़े जिनका उपयोग हमलावर अपने कमांड को छिपाने के लिए करते हैं, जिससे यह सुनिश्चित हो सके कि AI अनुरोध की वास्तविक प्रकृति को देख सके। इस साफ किए गए डेटा के साथ, उन्होंने एक आधुनिक भाषा मॉडल (language model) को प्रशिक्षित किया, जो संदर्भ और बारीकियों को समझने के लिए डिज़ाइन किया गया एक प्रकार का कृत्रिम बुद्धिमत्ता है, ताकि वह नए फायरवॉल के रूप में कार्य कर सके। पुराने मॉडलों के विपरीत जो केवल टेक्स्ट के छोटे अंश पढ़ सकते थे, यह नई प्रणाली महत्वपूर्ण विवरणों को खोए बिना लंबे और अधिक जटिल संदेशों को संसाधित कर सकती थी। शोधकर्ताओं ने फिर इस नए सिस्टम का परीक्षण 19,896 अनुरोधों के लीकेज-मुक्त टेस्ट सेट पर किया, जिसे ग्रुप स्ट्रैटिफाइड स्प्लिटिंग (group stratified splitting) के माध्यम से बनाया गया था ताकि यह सुनिश्चित हो सके कि कोई भी पते-आधारित शॉर्टकट शेष न रहे।

परिणाम आश्चर्यजनक थे। नए फायरवॉल ने अपने द्वारा जांचे गए लगभग हर एक संदेश की प्रकृति को सही ढंग से पहचाना, और 99.74 प्रतिशत की सटीकता दर हासिल की। इसने हानिरहित ट्रैफिक और SQL इंजेक्शन, क्रॉस-साइट स्क्रिप्टिंग और कमांड इंजेक्शन जैसे खतरनाक हमलों के बीच एक ऐसे स्तर की सटीकता के साथ अंतर किया जो पारंपरिक तरीकों से कहीं अधिक था। इससे भी अधिक प्रभावशाली इसकी गति थी; सिस्टम एक एकल वेब अनुरोध का विश्लेषण केवल 12 मिलीसेकंड में कर सकता था, जो वेबसाइटों को धीमा किए बिना लाइव वेबसाइटों की रक्षा करने के लिए पर्याप्त तेज़ है। अध्ययन ने यह भी दिखाया कि जब शोधकर्ताओं ने पते-आधारित शॉर्टकट हटा दिए, तो पुराने मशीन लर्निंग मॉडल्स के प्रदर्शन में काफी गिरावट आई, जिससे सिद्ध हुआ कि वे उन्हीं त्रुटिपूर्ण पैटर्न पर निर्भर थे। इसके विपरीत, नए सिस्टम ने अपनी उच्च सटीकता बनाए रखी, जिससे पता चलता कि इसने वास्तव में हमले की संरचना को पहचानना सीखा था, न कि केवल गंतव्य के आधार पर अनुमान लगाया था।

यह कार्य केवल एक सुरक्षा उपकरण में सुधार नहीं करता है; यह वेब अनुप्रयोगों की सुरक्षा का मूल्यांकन करने के तरीके को बदल देता है। यह साबित करके कि पिछले उच्च स्कोर अक्सर वास्तविक बुद्धिमत्ता के बजाय एक डेटा दोष का परिणाम थे, शोधकर्ताओं ने परीक्षण के लिए एक नया, सख्त मानक स्थापित किया है। उन्होंने दिखाया कि एक AI के वास्तव में विश्वसनीय होने के लिए, इसे संदेश कहाँ जा रहा है के संदर्भ को अनदेखा करने और पूरी तरह से इस बात पर ध्यान केंद्रित करने के लिए प्रशिक्षित किया जाना चाहिए कि संदेश वास्तव में क्या कहता है। टीम ने पहले से ही इस प्रणाली का एक वर्किंग प्रोटोटाइप बना लिया है, जो उनके डीप-लर्निंग मॉडल के साथ तेज़, नियम-आधारित जाँच को मिलाकर एक हाइब्रिड रक्षा तंत्र बनाता है जो आधुनिक वेब के जटिल और विकसित होते खतरों को संभाल सकता है। उनके निष्कर्ष बताते हैं कि वेब सुरक्षा का भविष्य केवल नियमों की बड़ी सूचियों में नहीं है, बल्कि उन प्रणालियों में है जो डिजिटल हमलों की सूक्ष्म और बदलती भाषा को समझ सकें, बशर्ते उन्हें शुरुआत से ही सही सबक सिखाए जाएं।