Details

Моя работа посвящена разработке адаптивной системы защиты веб-приложений на основе анализа поведения атакующих с использованием технологий honeypot и обучения с подкреплением (Reinforcement Learning). Отличительной особенностью работы является интеграция механизма динамического реагирования на атаки в микросервисную архитектуру веб-приложения. В рамках работы разработано уязвимое веб-приложение, реализованное по клиент-серверной модели с использованием технологий Node.js для backend-части, nginx в роли reverse proxy и статического frontend-интерфейса. Приложение включает механизмы аутентификации, обработки пользовательских запросов, управления сессиями и взаимодействия с базой данных. Архитектура системы построена с использованием контейнеризации (Docker), что обеспечивает изоляцию компонентов и гибкость развертывания. Дополнительно реализован изолированный модуль honeypot, предназначенный для перенаправления подозрительного трафика и сбора информации о действиях атакующего. На основе собранных данных применяется модель обучения с подкреплением, принимающая решения о дальнейшей обработке запросов, включая ограничение, блокировку или имитацию уязвимого поведения системы. В результате разработан прототип системы, способный выявлять и анализировать различные типы атак, включая brute-force, инъекционные атаки, попытки обхода аутентификации и небезопасную десериализацию. Продемонстрирована возможность адаптивного реагирования на угрозы и повышения эффективности защиты по сравнению с традиционными сигнатурными методами.

The masters thesis is devoted to the development of an adaptive web application security system based on attacker behavior analysis using honeypot technologies and Reinforcement Learning. The key feature of this work is the integration of a dynamic attack response mechanism into the microservices architecture of a web application. As part of the work, a deliberately vulnerable web application was developed using a client-server model. The backend is implemented with Node.js, nginx is used as a reverse proxy, and a static frontend interface is provided. The application includes authentication mechanisms, request processing, session management, and interaction with a database. The system architecture is built using containerization (Docker), ensuring component isolation and deployment flexibility. Additionally, an isolated honeypot module was implemented to redirect suspicious traffic and collect information about attacker behavior. Based on the collected data, a Reinforcement Learning model is applied to make decisions on request handling, including rate limiting, blocking, or simulating vulnerable system behavior. As a result, a prototype system was developed capable of detecting and analyzing various types of attacks, including brute-force, injection attacks, authentication bypass attempts, and insecure deserialization. The system demonstrates adaptive response capabilities and improved effectiveness compared to traditional signature-based approaches.