Fine-Tuned CodeBERT for Web Threat Classification using Agentic Reasoning

इंटरनेट एक विशाल, खुला बाजार है जहाँ सूचना स्वतंत्र रूप से बहती है, लेकिन यह खुलापन समस्याओं को भी आमंत्रित करता है। हर दिन, वेब एप्लिकेशन—वे साइटें जो आपको खरीदारी करने, बैंकिंग करने या समाचार पढ़ने देती हैं—अंदर घुसने के प्रयासों का सामना करते हैं। हमलावरों द्वारा उपयोग की जाने वाली दो सबसे आम चालों को 'एसक्यूएल इंजेक्शन' (SQL injection) और 'क्रॉस-साइट स्क्रिप्टिंग' (cross-site scripting) के रूप में जाना जाता है। सरल शब्दों में, एसक्यूएल इंजेक्शन एक डेटाबेस क्वेरी में जाली नोट डालने जैसा है, जो सिस्टम को गुप्त जानकारी प्रकट करने या उन रिकॉर्डों को बदलने के लिए धोखा देता है जिन्हें उसे नहीं बदलना चाहिए। क्रॉस-साइट स्क्रिप्टिंग किसी टिप्पणी या फॉर्म फ़ील्ड के भीतर एक दुर्भावनापूर्ण स्क्रिप्ट छिपाने जैसा है, जो फिर उस व्यक्ति के कंप्यूटर पर चलती है जो उस पेज को देखता है, जिससे अक्सर उनकी लॉगिन जानकारी चोरी हो जाती है या उनके सत्र (session) पर नियंत्रण कर लिया जाता है। इन हमलों को रोकने के लिए, वेबसाइटें वेब एप्लिकेशन फायरवॉल नामक डिजिटल द्वारपालों का उपयोग करती हैं। वर्षों से, ये द्वारपाल ज्ञात बुरे पैटर्न की एक सूची पर निर्भर रहे हैं, जैसे कि एक बाउंसर ज्ञात उपद्रवी लोगों की सूची के विरुद्ध आईडी की जाँच करता है। हालाँकि, चतुर हमलावर अपने दुर्भावनापूर्ण कोड को थोड़ा बदलकर—एक स्पेस जोड़कर, अक्षर का केस बदलकर, या इसे एक टिप्पणी के भीतर छिपाकर—इन सूचियों को आसानी से बायपास कर सकते हैं, ठीक वैसे ही जैसे कोई व्यक्ति पहचान से बचने के लिए अपने कपड़े बदल लेता है।

इसे हल करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, विशेष रूप से 'ट्रांसफॉर्मर' नामक एक प्रकार के कंप्यूटर प्रोग्राम की ओर। एक ट्रांसफॉर्मर को एक ऐसी मशीन के रूप में सोचें जो टेक्स्ट को पढ़ती है और भाषा की अंतर्नि층 संरचना को सीखती है, ठीक उसी तरह जैसे एक छात्र व्याकरण और संदर्भ को समझने के लिए केवल विशिष्ट शब्दों को रटने के बजाय हजारों किताबें पढ़ता है। इनमें से कुछ मशीनें सामान्य टेक्स्ट पर प्रशिक्षित होती हैं, जबकि अन्य, जैसे कि इस अध्ययन के केंद्र में स्थित मशीन, प्राकृतिक भाषा और कंप्यूटर कोड दोनों पर प्रशिक्षित होती हैं। शोधकर्ता यह जानना चाहते थे कि क्या कोड पर प्रशिक्षित मशीन सामान्य टेक्स्ट पर प्रशिक्षित मशीनों की तुलना में इन वेब हमलों को बेहतर ढंग से पहचान सकती है, और क्या वह ऐसा वास्तविक समय (real-time) में उपयोगी होने के लिए पर्याप्त तेज़ी से कर सकती है। वे यह भी देखना चाहते थे कि क्या मशीन के एक छोटे, अधिक कुशल संस्करण का उपयोग करने से सटीकता की तुलना में गति का समझौता होगा, जो उन प्रणालियों के लिए एक महत्वपूर्ण ट्रेड-ऑफ है जिन्हें मिलीसेकंड में निर्णय लेना होता है।

हाल ही में, तशकंद में वेस्टमिंस्टर इंटरनेशनल यूनिवर्सिटी के शोधकर्ताओं ने एक ताज़ा और कठोर दृष्टिकोण के साथ इन प्रश्नों का परीक्षण करने का निर्णय लिया। उन्होंने वेब ट्रैफ़िक डेटा का एक विशाल संग्रह एकत्र किया, जिसमें हजारों सुरक्षित अनुरोधों और दुर्भावनापूर्ण हमलों के उदाहरणों को मिलाया गया। अपने परिणामों को विश्वसनीय बनाने के लिए, उन्होंने डेटा को सूक्ष्मता से साफ किया, डुप्लिकेट प्रविष्टियों को हटाया और कुछ चालाकी भरी, हानिरहित वाक्यों को जोड़ा जो हमलों की तरह दिखते थे, ताकि यह देखा जा सके कि क्या मशीनें भ्रमित हो जाती हैं। इसके बाद उन्होंने इन चार अलग-अलग वर्ज़न के एआई मॉडलों को लिया और उन्हें बिल्कुल समान नियमों और डेटा का उपयोग करके अच्छे और बुरे ट्रैफ़िक के बीच अंतर करने के लिए प्रशिक्षित किया। इनमें से एक मॉडल 'कोडबर्ट' (CodeBERT) था, जो सोर्स कोड पर प्री-ट्रेन्ड एक सिस्टम है, जबकि अन्य 'बर्ट' (BERT) और 'रोबर्टा' (RoBERTa) जैसे सामान्य उद्देश्य वाले मॉडल थे। लक्ष्य यह देखना था कि क्या कोड-प्रशिक्षित मॉडल में इन हमलों में पाए जाने वाले डेटाबेस कमांड और वेब स्क्रिप्ट के अजीब मिश्रण को पहचानने का स्वाभाविक लाभ है।

परिणाम सभी क्षेत्रों में उल्लेखनीय रूप से सुसंगत थे। चारों मॉडलों ने असाधारण सटीकता के साथ प्रदर्शन किया, और 99 प्रतिशत से अधिक मामलों में ट्रैफ़िक की प्रकृति को सही ढंग से पहचाना। जब शोधकर्ताओं ने की गई कुछ गलतियों को करीब से देखा, तो उन्होंने पाया कि मॉडलों के बीच का अंतर इतना कम था कि इसे आसानी से रैंडम चांस (संयोग) माना जा सकता था, न कि किसी एक मॉडल का वास्तव में श्रेष्ठ होना। कोड-प्रशिक्षित मॉडल, कोडबर्ट ने 6,000 से अधिक टेस्ट सैंपल में से सात गलतियाँ कीं, जो अन्य मॉडलों के प्रदर्शन से सांख्यिकीय रूप से अविभेदित था, जिन्होंने आठ से बारह गलतियाँ की थीं। यह निष्कर्ष इस धारणा को चुनौती देता है कि इस विशिष्ट कार्य के लिए एक विशेष कोड-प्रशिक्षित मॉडल, सामान्य उद्देश्य वाले मॉडल की तुलना में स्वाभाविक रूप से बेहतर होता है, कम से कम तब जब दोनों को समान मात्रा में डेटा और प्रशिक्षण समय दिया जाता है। अध्ययन यह सुझाव देता है कि केवल यह तय करने के मामले में कि कोई अनुरोध दुर्भावनापूर्ण है या नहीं, मॉडल का चुनाव डेटा की गुणवत्ता और परीक्षण पद्धति से कम महत्वपूर्ण है।

हालाँकि, अध्ययन ने यह भी उजागर किया कि दबाव में ये मॉडल कैसे व्यवहार करते हैं। जबकि सटीकता स्कोर लगभग समान थे, उनके द्वारा की जाने वाली गलतियों के प्रकार भिन्न थे। एक मॉडल के दुर्भावनापूर्ण हमले को फिसल जाने की अधिक संभावना थी, जबकि दूसरे द्वारा एक हानिरहित अनुरोध को गलती से ब्लॉक करने की अधिक संभावना थी। यह वास्तविक दुनिया की सुरक्षा के लिए अत्यंत महत्वपूर्ण है, क्योंकि एक गलत अलार्म (false alarm) की लागत एक उल्लंघन (breach) की लागत से भिन्न होती है। इसके अलावा, शोधकर्ताओं ने परीक्षण किया कि ये मॉडल कितनी तेज़ी से काम कर सकते हैं। उन्होंने पाया कि मॉडल को एक बार में प्रोसेस करने के लिए टेक्स्ट की मात्रा को छोटा करके, वे सटीकता में कोई महत्वपूर्ण कमी लाए बिना, सिस्टम को प्रशिक्षित करने में लगने वाले समय को लगभग आधा कर सकते हैं और निर्णय लेने में लगने वाले समय को लगभग 50 प्रतिशत तक कम कर सकते हैं। यह सुझाव देता है कि हल्के वजन वाले सुरक्षा प्रणालियों के लिए, जिन्हें तेज़ और कुशल होने की आवश्यकता है, अनुकूलन (optimization) का एक स्पष्ट मार्ग है जिसके लिए सुरक्षा से समझौता करने की आवश्यकता नहीं है।

शोधकर्ताओं ने अपने मॉडलों को विशेष रूप से तैयार किए गए, अस्पष्ट (obfuscated) हमलों का उपयोग करके एक स्ट्रेस टेस्ट (stress test) के माध्यम से भी परखा, जिन्हें सिस्टम को मूर्ख बनाने के लिए बनाया गया था। इस परिदृश्य में, मॉडलों का प्रदर्शन काफी गिर गया, और सटीकता गिरकर लगभग 86 प्रतिशत रह गई। यह गिरावट एक महत्वपूर्ण वास्तविकता को उजागर करती है: एक प्रणाली जो मानक टेस्ट डेटा पर पूर्ण दिखती है, वह अभी भी चतुराई से छिपे हुए हमलों के प्रति संवेदनशील हो सकती है। अध्ययन स्पष्ट रूप से उल्लेख करता है कि मानक परीक्षणों में देखे गए उच्च स्कोर बचाव तकनीकों (evasion techniques) के खिलाफ मजबूती की गारंटी नहीं देते हैं। शोधकर्ता सावधानीपूर्वक यह कहते हैं कि उनका कार्य केवल एक पहला कदम है, जो केवल इस बात पर केंद्रित है कि ट्रैफ़िक बुरा है या अच्छा, न कि विशिष्ट प्रकार के हमले की पहचान करने पर। वे स्वीकार करते हैं कि उनका डेटासेट, हालांकि बड़ा है, सार्वजनिक स्रोतों तक सीमित है और उनका स्ट्रेस टेस्ट छोटा था।

अंततः, यह शोध वेब सुरक्षा में आर्टिफिशियल इंटेलिजेंस की वर्तमान स्थिति की एक स्पष्ट और जमीनी तस्वीर प्रदान करता है। यह प्रदर्शित करता है कि जबकि उन्नत मॉडल सामान्य वेब हमलों का पता लगाने में लगभग पूर्ण सटीकता प्राप्त कर सकते हैं, विशेष और सामान्य मॉडलों के बीच के अंतर अक्सर नगण्य होते हैं। वास्तविक मूल्य किसी एक "सर्वश्रेष्ठ" मॉडल को खोजने में नहीं है, बल्कि गति, लागत और उन विशिष्ट प्रकार की त्रुटियों के बीच के ट्रेड-ऑफ को समझने में है जो एक प्रणाली कर सकती है। यह दिखाते हुए कि सटीकता से समझौता किए बिना दक्षता प्राप्त की जा सकती है, यह अध्ययन तेज़, हल्के सुरक्षा उपकरण बनाने के लिए एक व्यावहारिक रोडमैप प्रदान करता है। यह हमें याद दिलाता है कि वेब सुरक्षा की निरंतर लड़ाई में, लक्ष्य केवल एक स्मार्ट मशीन बनाना नहीं है, बल्कि एक अधिक विश्वसनीय और कुशल मशीन बनाना है जो उन लोगों की विकसित होती रणनीतियों के साथ तालमेल बिठा सके जो अंदर घुसने की कोशिश करते हैं।