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

A internet é uma vasta rede de conversas digitais, onde as aplicações web atuam como os guardiões de tudo, desde o banco online até as redes sociais. Para manter esses portais seguros, sistemas de segurança conhecidos como Web Application Firewalls (WAFs) montam guarda, inspecionando cada mensagem que tenta entrar. Por décadas, esses guardas confiaram em um método simples: verificar as mensagens recebidas contra uma longa lista de padrões conhecidos como maliciosos, tal como um segurança conferindo uma lista de convidados contra uma foto de identidade. Embora isso funcione bem para ameaças familiares, o método tem dificuldades quando atacantes disfarçam seu código malicioso usando truques complexos ou quando inventam formas inteiramente novas de invadir. Nos últimos anos, cientistas recorreram à inteligência artificial para ajudar esses guardas a aprender as diferenças sutis entre uma requisição inofensiva e uma perigosa, esperando detectar ameaças que nenhum livro de regras poderia prever. No entanto, um novo estudo revela que as próprias ferramentas projetadas para ensinar esses sistemas de IA esconderam uma falha secreta, levando pesquisadores a questionar o quanto da "inteligência" era realmente real.

Uma equipe de pesquisadores do Sri Krishna College of Engineering and Technology, na Índia, propôs-se a construir um firewall mais inteligente, mas primeiro tiveram que resolver um enigma que estava distorcendo os resultados de experimentos anteriores. Eles começaram examinando uma coleção massiva de quase duzentas mil requisições web rotuladas, um conjunto de dados que havia sido usado por muitos para treinar modelos de IA para detectar ataques comuns como SQL injection, cross-site scripting e command injection. Estas são tipos específicos de intrusões digitais onde atacantes tentam roubar dados, sequestrar sessões de usuário ou assumir o controle de servidores. À medida que a equipe se aprofundava nos dados, descobriu um atalho surpreendente. Os rótulos que indicavam se uma requisição era um ataque ou segura não eram determinados pelo conteúdo real da mensagem, mas pelo endereço para o qual a mensagem era enviada. Neste conjunto de dados, se uma mensagem era enviada para uma página de login, ela era quase sempre rotulada como um ataque, enquanto mensagens enviadas para uma página de upload de arquivos eram quase sempre rotuladas como seguras. Um modelo de IA treinado com esses dados não estava aprendendo a reconhecer código perigoso; estava simplesmente memorizando quais páginas web estavam associadas a problemas, um truque conhecido como vazamento de rótulo (label leakage).

Para corrigir isso, os pesquisadores desenvolveram uma nova maneira de preparar os dados, removendo a informação de endereço para que a IA fosse forçada a olhar apenas para o conteúdo da própria mensagem. Eles também adicionaram etapas para decodificar camadas ocultas de texto que os atacantes usam para disfarçar seus comandos, garantindo que a IA visse a verdadeira natureza da requisição. Com esses dados limpos, eles treinaram um modelo de linguagem moderno, um tipo de inteligência artificial projetada para entender contexto e nuances, para atuar como o novo firewall. Diferente dos modelos antigos que podiam ler apenas pequenos fragmentos de texto, este novo sistema podia processar mensagens mais longas e complexas sem perder detalhes importantes. Os pesquisadores então testaram este novo sistema em um conjunto de teste livre de vazamentos de 19.896 requisições, criado via divisão estratificada por grupos para garantir que nenhum atalho baseado em endereço permanecesse.

Os resultados foram impressionantes. O novo firewall identificou corretamente a natureza de quase todas as mensagens que examinou, alcançando uma taxa de precisão de 99,74 por cento. Ele distinguiu com sucesso entre tráfego inofensivo e ataques perigosos como SQL injection, cross-site scripting e command injection com um nível de precisão que superou em muito os métodos tradicionais. Ainda mais impressionante foi sua velocidade; o sistema podia analisar uma única requisição web em apenas 12 milissegundos, rápido o suficiente para proteger sites ao vivo sem atrasá-los. O estudo também mostrou que, quando os pesquisadores removeram os atalhos baseados em endereço, os modelos de aprendizado de máquina mais antigos viram seu desempenho cair significativamente, provando que haviam dependido dos mesmos padrões falhos. Em contraste, o novo sistema manteve sua alta precisão, demonstrando que havia verdadeiramente aprendido a reconhecer a estrutura de um ataque em vez de apenas adivinhar com base no destino.

Este trabalho faz mais do que apenas melhorar uma ferramenta de segurança; ele muda a forma como os cientistas avaliam a segurança das aplicações web. Ao provar que pontuações altas anteriores eram frequentemente o resultado de uma falha de dados em vez de inteligência genuína, os pesquisadores estabeleceram um novo padrão mais rigoroso para testes. Eles mostraram que, para uma IA ser verdadeiramente confiável, ela deve ser treinada para ignorar o contexto de para onde uma mensagem está indo e focar inteiramente no que a mensagem realmente diz. A equipe já construiu um protótipo funcional deste sistema, combinando verificações rápidas baseadas em regras com seu modelo de deep learning para criar uma defesa híbrida que pode lidar com as ameaças complexas e evolutivas da web moderna. Suas descobertas sugerem que o futuro da segurança web não reside em listas maiores de regras, mas em sistemas que possam compreender a linguagem sutil e mutável dos ataques digitais, desde que sejam ensinados as lições certas desde o início.