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

想象一下，互联网就像一座繁忙、混乱的城市，其中的网站就是商店、银行和市政厅。就像任何城市一样，总会有捣蛋鬼试图通过正门潜入、撬锁，或者向工作人员大喊虚假的指令。在计算机安全领域，这些捣蛋鬼使用“注入攻击”（injection attacks）。这是一个高级的名称，但其实是一个简单的诡计：黑客不是给网站发送正常的请求，而是在文本框中输入隐藏的秘密命令，希望网站会不小心服从它。这就像一名顾客走进一家面包店，低声说：“其实，我想让你把你的全部库存都删掉，”而由于困惑，面包师竟然真的照做了。

为了抓住这些狡猾的捣蛋鬼，安全专家们建造了数字保安。多年来，这些保安就像严厉的图书管理员，只允许看起来完全符合他们核准名单上的书籍进入。如果一本书有着奇怪的封面或奇特的标题，就会被拒绝。但黑客变得越来越聪明；他们改变“封面”和“标题”的速度极快，以至于旧的保安已经跟不上节奏了。于是，新一代的保安登场了：大语言模型（LLM）。不要把它们看作僵化的图书管理员，而要将它们视为超级聪明的侦探，几乎读过图书馆里的每一本书。它们不仅看封面，还理解故事、语调和隐藏的含义。它们仅凭对文本的“感觉”，就能分辨出一段无害的句子和一条恶意的命令。这篇论文提出了一个重大问题：这些超级聪明的侦探能否经过训练，从而识别出黑客用来入侵网站的特定诡计？而且，它们是否必须是庞大且耗能巨大的怪物才能胜任这项工作，还是说一个小巧、快速的侦探也能同样出色地完成任务？

这项研究背后的研究人员决定让四种不同的 AI 侦探参加一场大规模的训练营，以观察哪一个能最好地识别三种特定类型的数字入侵：跨站脚本攻击（XSS）、SQL 注入和命令注入（Command Injection）。他们并非凭空猜测；他们向这些模型喂入了超过 18 万个关于“正常”流量和“恶意”流量的庞大数据集，其中包含了各种隐蔽且伪装过的攻击。随后，他们对模型进行了微调，这就像是给它们一本关于黑客诡计的专业教科书，以便它们能够学习这些犯罪行为的特定模式。

结果非常接近，简直就像一场冠军在终点线前仅以毫厘之差决出胜负的比赛。全场的明星是一个名为 LLaMA-3.2-1B 的模型。它的整体表现最为出色，正确识别恶意流量的准确率（accuracy）达到 99.80%，精确率（precision）为 99.82%，F1 分数（F1-score）为 99.81%。它极其敏锐，极少漏掉坏人，也极少冤枉好人。然而，论文还发现，你并不一定需要最大的侦探也能完成这项工作。一个名为 DistilBERT-base-uncased 的小得多的模型——它仅拥有其大型同类模型中可训练参数量的约 0.93%（在总计 6,760 万个参数中，仅有约 630,532 个可训练参数）——却取得了几乎完全相同的结果：在准确率、精确率、召回率和 F1 分数方面均为 99.80%。

研究人员还测试了另外两个模型：GPT-2 和 GPT-2-medium。它们的表现也非常出色，准确率和精确率都在 99.7% 到 99.8% 之间徘徊。有趣的是，研究人员发现，增加模型的规模并不总是会让它变得更好。GPT-2-medium 模型虽然大约是标准 GPT-2 的三倍大，但并没有捕捉到更多的坏人；事实上，它的得分反而略低。这表明，对于这项特定任务而言，一旦模型大到足以理解这些模式，再把它做大就如同为了去超市买菜而买了一辆昂贵的超级跑车——它并不会让你更快到达目的地。

在观察模型是如何犯错时，论文揭示了一些有趣的特征。所有四个模型在识别 XSS 攻击方面几乎都是完美的；事实上，其中三个模型在 XSS 测试用例中的正确率达到了 100%。看来，这类攻击中使用的“脚本”标签就像是一个巨大的霓虹灯招牌，让人无法忽视。然而，命令注入是最棘手的类别。LLaMA 模型在这里稍显吃力，偶尔会将命令注入误认为是正常流量。与此同时，GPT-2 系列模型则倾向于过于“多疑”，比其他模型更容易将正常的、安全的流量标记为攻击。

作者得出结论，虽然强大的 LLaMA-3.2-1B 模型展现了最强的综合性能，但微小的 DistilBERT 模型是现实世界应用中的绝佳替代方案，因为它速度更快，所需的计算能力更少，同时能提供几乎同等级别的保护。论文指出，微调这些模型是捕捉注入攻击的一种强大手段，但也指出这仅仅是个开始。研究人员指出，他们面临着一些挑战，例如缺乏针对这一特定主题的前期研究以及计算资源的限制，这意味着要完善这些数字保安的工作仍有很多路要走。最终，这项研究证明，只要经过正确的训练，即使是一个小巧、高效的 AI，也能成为对抗一些最常见网络威胁的近乎完美的守护者。