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

Internet è una vasta rete di conversazioni digitali, dove le applicazioni web fungono da guardiani per tutto, dall'online banking ai social media. Per mantenere sicuri questi cancelli, i sistemi di sicurezza noti come Web Application Firewall vegliano, ispezionando ogni messaggio che tenta di entrare. Per decenni, queste guardie si sono affidate a un metodo semplice: controllare i messaggi in entrata rispetto a una lunga lista di modelli noti, molto simile a un bouncer che controlla la lista degli ospiti confrontandola con un documento d'identità. Sebbene questo funzioni bene per le minacce familiari, fatica quando gli attaccanti mascherano il proprio codice malevolo usando trucchi complessi o quando inventano modi del tutto nuovi per infiltrarsi. Negli ultimi anni, gli scienziati si sono rivolti all'intelligenza artificiale per aiutare queste guardie a imparare le sottili differenze tra una richiesta innocua e una pericolosa, sperando di individuare minacce che nessun libro di regole potrebbe mai prevedere. Tuttavia, un nuovo studio rivela che gli stessi strumenti progettati per insegnare a questi sistemi di IA hanno nascosto un difetto segreto, portando i ricercatori a mettere in discussione quanto di quella "intelligenza" fosse in realtà reale.

Un team di ricercatori dello Sri Krishna College of Engineering and Technology in India si è posto l'obiettivo di costruire un firewall più intelligente, ma per prima cosa ha dovuto risolvere un enigma che aveva distorto i risultati di precedenti esperimenti. Hanno iniziato esaminando una vasta collezione di quasi duecento mila richieste web etichettate, un dataset che era stato utilizzato da molti per addestrare modelli di IA a rilevare attacchi comuni come l'SQL injection, il cross-site scripting e il command injection. Queste sono tipologie specifiche di intrusioni digitali in cui gli attaccanti cercano di rubare dati, di dirottare sessioni utente o di prendere il controllo dei server. Mentre il team scavava più a fondo nei dati, ha scoperto una scorciatoia sorprendente. Le etichette che indicavano se una richiesta fosse un attacco o sicura non erano determinate dal contenuto effettivo del messaggio, ma dall'indirizzo a cui il messaggio veniva inviato. In questo dataset, se un messaggio era inviato a una pagina di login, era quasi sempre etichettato come un attacco, mentre i messaggi inviati a una pagina di caricamento file erano quasi sempre etichettati come sicuri. Un modello di IA addestrato su questi dati non stava imparando a riconoscere il codice pericoloso; stava semplicemente memorizzando quali pagine web fossero associate a problemi, un trucco noto come label leakage (dispersione delle etichette).

Per correggere questo problema, i ricercatori hanno sviluppato un nuovo modo per preparare i dati, eliminando le informazioni sull'indirizzo in modo che l'IA fosse costretta a guardare solo il contenuto del messaggio stesso. Hanno anche aggiunto passaggi per decodificare gli strati nascosti di testo che gli attaccanti usano per mascherare i propri comandi, assicurando che l'IA vedesse la vera natura della richiesta. Con questi dati puliti, hanno addestrato un moderno modello linguistico, un tipo di intelligenza artificiale progettata per comprendere il contesto e le sfumature, affinché agisse come il nuovo firewall. A differenza dei modelli più vecchi che potevano leggere solo brevi frammenti di testo, questo nuovo sistema poteva elaborare messaggi più lunghi e complessi senza perdere dettagli importanti. I ricercatori hanno poi testato questo nuovo sistema su un set di test privo di leakage di 19.896 richieste, creato tramite una divisione stratificata per gruppo per garantire che non rimanessero scorciatoie basate sull'indirizzo.

I risultati sono stati sorprendenti. Il nuovo firewall ha identificato correttamente la natura di quasi ogni singolo messaggio esaminato, raggiungendo un tasso di accuratezza del 99,74 percento. Ha distinto con successo tra traffico innocuo e attacchi pericolosi come l'SQL injection, il cross-site scripting e il command injection con un livello di precisione che superava di gran lunga i metodi tradizionali. Ancora più impressionante era la sua velocità; il sistema poteva analizzare una singola richiesta web in soli 12 millisecondi, abbastanza velocemente da proteggere i siti web live senza rallentarli. Lo studio ha anche dimostrato che, quando i ricercatori hanno rimosso le scorciatoie basate sull'indirizzo, i modelli di machine learning più vecchi hanno visto le loro prestazioni diminuire significamente, provando che si erano basati sugli stessi schemi difettosi. Al contrario, il nuovo sistema ha mantenuto la sua alta accuratezza, dimostrando di aver realmente imparato a riconoscere la struttura di un attacco piuttosto che limitarsi a indovinare in base alla destinazione.

Questo lavoro non si limita a migliorare uno strumento di sicurezza; cambia il modo in cui gli scienziati valutano la sicurezza delle applicazioni web. Dimostrando che i precedenti punteggi elevati erano spesso il risultato di un difetto nei dati piuttosto che di una reale intelligenza, i ricercatori hanno stabilito un nuovo standard più rigoroso per i test. Hanno dimostrato che, affinché un'IA sia davvero affidabile, deve essere addestrata a ignorare il contesto di dove un messaggio stia andando e concentrarsi interamente su ciò che il messaggio dice effettivamente. Il team ha già costruito un prototipo funzionante di questo sistema, combinando controlli rapidi basati su regole con il loro modello di deep learning per creare una difesa ibrida capace di gestire le minacce complesse ed evolutive del web moderno. Le loro scoperte suggeriscono che il futuro della sicurezza web non risiede in liste di regole sempre più grandi, ma in sistemi capaci di comprendere il linguaggio sottile e mutevole degli attacchi digitali, a patto di essere istruiti correttamente fin dall'inizio.