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

インターネットを、ウェブサイトがショップや銀行、役所として存在する、活気にあふれ混沌とした都市だと想像してみてください。どの都市にもそうであるように、正面玄関から忍び込んだり、鍵を開けたり、スタッフに偽の注文を叫んだりして入り込もうとする厄介者たちがいます。コンピュータセキュリティの世界では、これらの厄介者たちは「インジェクション攻撃（注入攻撃）」を使用します。これは、単なる巧妙なトリックの名前です。つまり、ウェブサイトに対して通常の要求を送る代わりに、テキストボックスの中に隠された秘密のコマンドを入力し、ウェブサイトがうっかりそれに従ってしまうことを狙うのです。それはまるで、パン屋さんにやってきた客が、「実は、在庫をすべて削除してください」とささやき、困惑したパン屋が実際にそれを実行してしまうようなものです。

これらの巧妙な厄介者を捕まえるために、セキュリティの専門家たちは「デジタルの用心棒」を作り上げました。長年、これらの用心棒は、承認されたリストにある本と全く同じ見た目の本しか通さない厳格な司書のような存在でした。もし本に奇妙な表紙や変わったタイトルが付いていれば、拒否されました。しかし、ハッカーたちは賢くなっており、彼らの「表紙」や「タイトル」を変えるスピードは非常に速いため、古い用心棒たちは追いつけなくなっています。そこで登場したのが、新世代の用心棒、大規模言語モデル（LLM）です。これらを、硬直した司書としてではなく、図書館にあるほぼすべての本を読んだことのある超スマートな探偵として考えてみてください。彼らは単に表紙を見るだけでなく、物語、トーン、そして隠された意味を理解します。彼らは、無害な文章と悪意のあるコマンドの違いを、テキストの「感覚」だけで判別できるのです。この論文は、大きな問いを投げかけています。これらの超スマートな探偵たちは、ウェブサイトへの侵入に使用される特定のトリックを見つけ出すように訓練できるのか？ そして、彼らは巨大でエネルギーを大量に消費するモンスターである必要があるのか、それとも、より小さく素早い探偵でも十分に務まるのか？

この研究の背後にいる研究者たちは、4つの異なるAI探偵を大規模なトレーニングキャンプに入れ、どのモデルが3つの特定のデジタル侵入（クロスサイトスクリプティング（XSS）、SQLインジェクション、コマンドインジェクション）を最もよく検知できるかを検証することにしました。彼らは単に推測したわけではありません。18万件を超える「良質な」トラフィックと「悪質な」トラフィックの両方の膨大なデータセット（巧妙に偽装された攻撃を含む）をこれらのモデルに投入しました。そして、これらのモデルを「ファインチューニング（微調整）」しました。これは、ハッカーのトリックに関する専門的な教科書を与えるようなもので、特定の犯罪パターンを学習させるためのものです。

結果は驚くほど僅差であり、まるで勝者がごくわずかな差で同時にゴールラインを駆け抜けるレースのようでした。主役は、LLaMA-3.2-1Bと呼ばれるモデルでした。このモデルは全体として最高のパフォーマンスを発揮し、99.80%の正解率（accuracy）、99.82%の適合率（precision）、そして99.81%のF1スコアを記録しました。それは非常に鋭敏で、悪党を見逃すことも、無実の人を誤って疑うこともほとんどありませんでした。しかし、この論文は、最高の結果を得るために必ずしも最大の探偵が必要なわけではないことも明らかにしました。DistilBERT-base-uncasedというはるかに小さなモデルは、その巨大な親戚たちの訓練可能パラメータのわずか0.93%（全6,760万個のうち、訓練可能なパラメータは約630,532個）しか持たないにもかかわらず、ほぼ同一の結果、すなわち正解率、適合率、再現率（recall）、F1スコアのすべてにおいて**99.80%**を達成しました。

研究者たちはまた、GPT-2とGPT-2-mediumという2つの他のモデルもテストしました。これらも非常に優れた性能を示し、正解率と適合率は99.7%から99.8%の間を推移しました。興味深いことに、研究者たちは、モデルを大きくすることが必ずしも性能向上につながらないことを発見しました。標準的なGPT-2よりも約3倍大きいGPT-2-mediumモデルは、実際にはより多くの悪党を捕まえることはできず、むしろスコアはわずかに低くなりました。このことは、この特定のタスクにおいては、モデルがある程度のパターンを理解できるほど十分に大きければ、それ以上に大きくすることは、単に食料品店へ買い物に行くためだけに超高級スポーツカーを買うようなものであり、目的地に早く着くわけではないことを示唆しています。

モデルがどのようにミスをしたのかという点を見ると、論文はいくつかの興味深い特徴を明らかにしました。4つのモデルすべてがXSS攻撃の検知においてほぼ完璧であり、実際、3つのモデルはXSSのテストケースを**100%**正解しました。これらの攻撃で使用される「スクリプト」タグは、見逃すことが不可能な巨大なネオンサインのようなものだと言えます。しかし、コマンドインジェクションは最も難しいカテゴリーでした。LLaMAモデルはここで少し苦戦し、時折、コマンドインジェクションを通常のトラフィックと誤認しました。一方で、GPT-2モデルは少し過剰に警戒する傾向があり、他のモデルよりも正常で安全なトラフィックを攻撃としてフラグ立てしてしまうことが多かったです。

著者たちは、巨大なLLaMA-3.2-1Bモデルが最強の総合パフォーマンスを示した一方で、極めて小さなDistilBERTモデルは、同等のレベルの保護を提供しながら、非常に高速で計算資源も少なくて済むため、実世界での使用における素晴らしい代替案であると結論付けています。この論文は、これらのモデルをファインチューニングすることが、インジェクション攻撃を捕まえるための強力な方法であることを示唆していますが、同時に、これはまだ始まりに過ぎないことも指摘しています。研究者たちは、この特定のトピックに関する先行研究の不足や計算リソースの制限といった課題に直面したことを挙げており、デジタルの用心棒を完成させるためには、まだ多くの作業が必要であることを述べています。最終的に、この研究は、適切な訓練さえあれば、小さく効率的なAIであっても、最も一般的なウェブの脅威に対するほぼ完璧な守護者になれることを証明しています。