Details
| Title | Выявление атак на базе SQL-инъекций с использованием модифицированной LLM-модели synBERT: выпускная квалификационная работа магистра: направление 10.04.01 «Информационная безопасность» ; образовательная программа 10.04.01_03 «Искусственный интеллект в кибербезопасности» = Detecting SQL-injection attacks using a modified SynBERT LLM model |
|---|---|
| Creators | Рябикин Владислав Михайлович |
| Scientific adviser | Овасапян Тигран Джаникович |
| Organization | Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и кибербезопасности |
| Imprint | Санкт-Петербург, 2026 |
| Collection | Выпускные квалификационные работы ; Общая коллекция |
| Subjects | SQL-инъекция ; глубокое обучение ; обнаружение атак ; базы данных ; веб-сервисы ; SQL injection ; deep learning ; attack detection ; databases ; web services |
| Document type | Master graduation qualification work |
| Language | Russian |
| Level of education | Master |
| Speciality code (FGOS) | 10.04.01 |
| Speciality group (FGOS) | 100000 - Информационная безопасность |
| DOI | 10.18720/SPBPU/3/2026/vr/vr26-4931 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать) |
| Record key | ru\spstu\vkr\44724 |
| Record create date | 9/4/2026 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
| Group | Anonymous |
|---|---|
| Network | Internet |
Целью работы является изучение влияния модификации применения метода глубокого обучения synBERT, предназначенного для обнаружения атак, основанных на SQL-инъекциях. Объектом исследования является веб-сервисы на клиент-серверной архитектуре. Задачи, решаемые в ходе исследования: 1. Исследовать SQL-инъекции и способы их реализации в веб–сервисах. 2. Проанализировать способы поиска уязвимостей SQLi у веб-сервисов. 3. Предложить подход к применению метода выявления SQL-инъекций в веб-сервисах, на основе уже существующего. 4. Разработать и протестировать программный прототип. В ходе работы была исследована анатомия SQL-инъекций, опираясь на другие научные работы из этой сферы. Вместе с этим, рассмотрены методы обнаружения данного вида атаки, на основе сравнительного анализа были сформированы выводы. В результате работы был разработан улучшенный метод выявления SQLi-атак на основе synBERT, который учитывает SQL-контекст и HTTP-трафик одновременно, за счёт применения двух входных кодировщиков на основе архитектуры BERT. Экспериментальная оценка демонстрирует повышение качества работы модели, достигнутое за счёт обработки полного запроса к веб-сервису. Для достижения данных результатов был написан прототип метода на языке Python 3 и с использованием библиотек, направленных на решение задач машинного обучения.
The subject of the graduate qualification work is « Detecting SQL-injection attacks using a modified SynBERT LLM model». The purpose of the study is to study the impact of a modified synBERT deep learning method, designed to detect SQL injection attacks. The object of this study is web services with a client-server architecture. The research set the following goals: 1. Analyze SQL injections and methods for implementing them in web services. 2. Analyze methods for detecting SQLi vulnerabilities in web services. 3. Propose an approach for applying a method for detecting SQL injections in web services, based on an existing one. 4. Develop and test a software prototype. This work examined the anatomy of SQL injection attacks, drawing on other research in this field. Methods for detecting this type of attack were also examined, and conclusions were drawn based on a comparative analysis. As a result, an improved method for detecting SQLi attacks based on synBERT was developed. This method considers both SQL context and HTTP traffic simultaneously, using two input encoders based on the BERT architecture. An experimental evaluation demonstrates improved model performance achieved by processing the entire web service request. To achieve these results, a prototype method was written in Python 3 and with help of libraries designed to solve machine learning problems.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|