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

インターネットは膨大なデジタル・コンバセーション（会話）のネットワークであり、そこではウェブアプリケーションがオンラインバンキングからソーシャルメディアに至るまで、あらゆるもののゲートキーパー（門番）として機能しています。これらのゲートウェイを安全に保つため、ウェブアプリケーションファイアウォールと呼ばれるセキュリティシステムが、入り込もうとするあらゆるメッセージを検査しながら見守っています。数十年にわたり、これらのガードマンは、既知の悪意あるパターンとの照合リストに基づき、まるでドアマンがゲストリストと写真付きIDを照合するかのように、単純な手法に頼ってきました。この方法は、よく知られた脅威に対しては効果的ですが、攻撃者が複雑なトリックを使って悪意のあるコードを偽装したり、全く新しい侵入方法を編み出したりした場合、苦戦することになります。近年、科学者たちは人工知能を活用して、これらのガードマンが、無害なリクエストと危険なリクエストの微妙な違いを学習し、ルールブックには決して予測できない脅威をも察知できるようにすることに注力してきました。しかし、新たな研究により、AIシステムを教育するために設計されたツールそのものに隠れた欠陥があることが明らかになり、その「知能」がどれほど本物であったのかについて、研究者たちに疑問を投げかけています。

インドのスリ・クリシュナ・エンジニアリング・アンド・テクノロジー・カレッジの研究チームは、よりスマートなファイアウォールを構築しようと試みましたが、その前に、過去の実験結果を歪めていたパズルを解かなければなりませんでした。彼らはまず、SQLインジェクション、クロスサイトスクリプティング、コマンドインジェクションといった一般的な攻撃を検知するようにAIモデルを訓練するために多くの研究者が使用してきた、約20万件のラベル付けされたウェブリクエストの膨大なコレクションを調査することから始めました。これらは、攻撃者がデータを盗んだり、ユーザーセッションを乗っ取ったり、サーバーを制御しようとしたりする、特定の種類のデジタル侵入です。チームがデータを深く掘り下げていくと、驚くべきショートカット（近道）を発見しました。リクエストが攻撃であるか安全であるかを示すラベルは、メッセージの実際のコンテンツによって決定されているのではなく、メッセージが送られたアドレスによって決定されていたのです。このデータセットでは、メッセージがログインページに送られた場合はほぼ常に攻撃としてラベル付けされ、ファイルアップロードページに送られたメッセージはほぼ常に安全としてラベル付けされていました。このデータで訓練されたAIモデルは、危険なコードを認識することを学んでいたのではなく、単にどのウェブページが悪意のあるものに関連しているかを記憶していたのです。これは「ラベルリーク（ラベル漏洩）」として知られるトリックです。

これを修正するために、研究者たちはデータを準備する新しい方法を開発しました。アドレス情報を取り除くことで、AIがメッセージのコンテンツのみを見るように強制したのです。また、攻撃者がコマンドを偽装するために使用する隠れたテキストの層をデコードするステップも追加し、AIがリクエストの真の性質を見ることができるようにしました。このクリーンなデータを用いて、文脈やニュアンスを理解するように設計された一種の人工知能である現代的な言語モデル（ラングエッジモデル）を、新しいファイアウォールとして訓練しました。短いテキストの断片しか読めなかった古いモデルとは異なり、この新しいシステムは、重要な詳細を失うことなく、より長く複雑なメッセージを処理することができます。研究者たちはその後、アドレスに基づくショートカットが残らないようにグループ層化分割（group stratified splitting）によって作成された、リークのない19,896件のリクエストを用いたテストセットを用いて、この新システムをテストしました。

結果は驚くべきものでした。新しいファイアウォールは、調査したほぼすべてのメッセージの性質を正しく特定し、99.74パーセントの精度を達成しました。それは、SQLインジェクション、クロスサイトスクリプティング、コマンドインジェクションといった無害なトラフィックと危険な攻撃を、従来のメソッドをはるかに上回る精度で識別することに成功しました。さらに印象的だったのはその速度です。システムは単一のウェブリクエストをわずか12ミリ秒で分析でき、ウェブサイトの動作を遅らせることなくライブサイトを保護できる速さでした。また、研究者がアドレスベースのショートカットを取り除くと、古い機械学習モデルのパフォーマンスが大幅に低下したことも研究によって示され、それらが同じ欠陥のあるパターンに依存していたことが証明されました。対照的に、新しいシステムは高い精度を維持しており、攻撃の構造を単に推測するのではなく、真に攻撃の構造を認識することを学習していたことを実証しました。

この研究は、単にセキュリティツールを改善するだけでなく、科学者がウェブアプリケーションの安全性をどのように評価するかを変えるものです。過去の高スコアが、真の知能ではなくデータの欠陥によるものであったことを証明することで、研究者たちはより厳格な新しいテスト基準を確立しました。彼らは、AIが真に信頼できるものであるためには、メッセージがどこへ向かっているかという文脈を無視し、メッセージが実際に何を言っているかに完全に集中するように訓練されなければならないことを示しました。チームはすでに、高速なルールベースのチェックとディープラーニングモデルを組み合わせた、プロトタイプとなる動作システムを構築しており、現代のウェブにおける複雑で進化し続ける脅威に対処できるハイブリッド防御を生み出しています。彼らの知見は、ウェブセキュリティの未来が、単なるルールの大きなリストにあるのではなく、最初から正しい教訓を与えられれば、デジタル攻撃の微妙で変化する言語を理解できるシステムにあることを示唆しています。