Обнаружение атак на веб-приложения на основе комбинирования трансформеров, сверточной нейронной сети и многослойного перцептрона

Введение. В связи с постоянным ростом количества атак на веб-приложения задача автоматического обнаружения таких атак остается одной из ключевых проблем информационной безопасности. Представлена разработка нового гибридного подхода к обнаружению атак на веб-приложения, в котором этап извлечения признаков переносится на уровень предварительно обученных трансформеров. Метод. Предлагается гибридный метод обнаружения атак на веб-приложения, основанный на совместном использовании специализированных трансформерных моделей и нейронных сетей различной архитектуры. Разработанный подход предполагает, что Uniform Resource Locator для запроса обрабатывается моделью URLBERT, обученной на структурных особенностях веб-адресов, тогда как содержимое запроса анализируется моделью SecRoBERT, ориентированной на задачи кибербезопасности. Полученные контекстные представления объединяются и передаются в параллельные блоки сверточной нейронной сети и многослойного перцептрона, обеспечивающие извлечение локальных и глобальных признаков соответственно. Предложенный подход позволяет объединить возможности трансформерных моделей обработки данных с эффективным выявлением статистических и локальных зависимостей на основе сверточной нейронной сети и многослойного перцептрона, что повышает точность классификации вредоносных запросов. Основные результаты. Экспериментальная оценка проведена на трех наборах данных, два из которых служат для бинарной классификации и один для многоклассовой. Тестирование проводилось с использованием k-fold кросс-валидации и посредством измерения задержки вывода модели, для демонстрации применимости метода в системах обнаружения атак в реальном времени. Результаты экспериментальной оценки предлагаемой модели продемонстрировали достаточно высокие показатели точности обнаружения атак на веб-приложения, а также показали существенный недостаток, связанный со значительным временем обработки запросов. Обсуждение. Анализ результатов тестирования и сравнение с релевантными исследованиями подтвердил целесообразность использования данной модели в качестве второго этапа анализа запросов в системах обнаружения атак на веб-приложения. 

1. Kaur D., Kaur P. Empirical analysis of Web attacks // Procedia Computer Science. 2016. V. 78. P. 298–306. doi: 10.1016/j.procs.2016.02.057

2. Desnitsky V.A., Kotenko I.V., Nogin S.B. Detection of anomalies in data for monitoring of security components in the Internet of Things // Proc. of the XVIII International Conference on Soft Computing and Measurements (SCM). 2015. P. 189–192. doi: 10.1109/SCM.2015.7190452

3. Dong H., Kotenko I. Cybersecurity in the AI era: analyzing the impact of machine learning on intrusion detection // Knowledge and Information Systems. 2025. V. 67. N 5. P. 3915–3966. doi: 10.1007/s10115-025-02366-w

4. Котенко И.В., Соболев П.С. Обнаружение атак на веб-приложения на основе комбинирования сверточных нейронных сетей и многослойных перцептронов // Информатизация и связь. 2025. № 2. С. 90–96. doi: 10.34219/2078-8320-2025-16-2-90-96

5. Kotenko I., Abramenko G. Ontology-guided heterogeneous graph retrieval for large-language-model interpretation of Suricata events // Lecture Notes in Networks and Systems. 2026. V. 1762. P. 261–272. doi: 10.1007/978-3-032-13615-2_22

6. Casmiry E.N., Sinde R.S., Mduma N.M. A Hybrid deep learning model for SQL injection attack detection // IEEE Access. 2026. V. 14. P. 6450–6463. doi: 10.1109/ACCESS.2026.3651991

7. Thalji N., Raza A., Islam M.S., Samee N.A., Jamjoom M.M. AE-Net: Novel autoencoder-based deep features for SQL injection attack detection // IEEE Access. 2023. V. 11. P. 135507–135516. doi: 10.1109/ACCESS.2023.3337645

8. Seyyar Y.E., Yavuz A.G., Ünver H.M. An attack detection framework based on BERT and deep learning // IEEE Access. 2022. V. 10. P. 68633–68644. doi: 10.1109/ACCESS.2022.3185748

9. Odumuyiwa V., Chibueze A. Automatic detection of HTTP injection attacks using convolutional neural network and deep neural network // Journal of Cyber Security and Mobility. 2021. V. 9. N 4. P. 489–514. doi: 10.13052/jcsm2245-1439.941

10. Li J., Fu Y., Xu J., Ren C., Xiang X., Guo J. Web application attack detection based on attention and gated convolution networks // IEEE Access. 2020. V. 8. P. 20717–20724. doi: 10.1109/ACCESS.2019.2955674

11. Muduli D., Shookdeb S., Zamani A.T., Saxena S., Kanade A.S., Parveen N., Shameem M. SIDNet: A SQL Injection detection network for enhancing cybersecurity // IEEE Access. 2024. V. 12. P. 176511176526. doi: 10.1109/ACCESS.2024.3502293

12. Demirel D.Y., Sandikkaya M.T. Web based anomaly detection using zero-shot learning with CNN // IEEE Access. 2023. V. 11. P. 9151191525. doi: 10.1109/ACCESS.2023.3303845

13. Ferrag M.A., Ndhlovu M., Tihanyi N., Cordeiro L.C., Debbah M., Lestable T., et al. Revolutionizing cyber threat detection with large language models: a privacy-preserving BERT-based lightweight model for IoT/IIoT devices // IEEE Access. 2024. V. 12. P. 23733-23750. doi: 10.1109/ACCESS.2024.3363469

14. Tang P., Qiu W., Huang Z., Lian H., Liu G. Detection of SQL injection based on artificial neural network // Knowledge-Based Systems. 2020. V. 190. P. 105528. doi: 10.1016/j.knosys.2020.105528

15. Mokbal F.M.M., Wang D., Imran A., Lin J., Akhtar F., Wang X. MLPXSS: An Integrated XSS-based attack detection scheme in Web applications using multilayer perceptron technique // IEEE Access. 2019. V. 7. P. 100567–100580. doi: 10.1109/ACCESS.2019.2927417

16. Xie X., Ren C., Fu Y., Xu J., Guo J. SQL injection detection for Web applications based on elastic-pooling CNN // IEEE Access. 2019. V. 7. P. 151475–151481. doi: 10.1109/ACCESS.2019.2947527

17. Tian Z., Luo C., Qiu J., Du X., Guizani M. A Distributed deep learning system for Web attack detection on edge devices // IEEE Transactions on Industrial Informatics. 2020. V. 16. N 3. P. 1963-1971. doi: 10.1109/TII.2019.2938778

18. El Mahdaouy A., Lamsiyah S., Idrissi M.J., Alami H., Yartaoui Z., Berrada I. DomURLs_BERT: Pre-trained BERT-based model for malicious domains and URLs detection and classification // Journal of Network and Systems Management. 2026. V. 34. N 2. P. 36. doi: 10.1007/s10922-025-10010-9

19. Bacevicius M., Paulauskaite-Taraseviciene A., Zokaityte G., Kersys L., Moleikaityte A. Comparative analysis of perturbation techniques in LIME for intrusion detection enhancement // Machine Learning and Knowledge Extraction. 2025. V. 7. N 1. P. 21. doi: 10.3390/make7010021

20. Bacevicius M., Paulauskaite-Taraseviciene A. Machine learning algorithms for raw and unbalanced intrusion detection data in a multiclass classification problem // Applied Sciences. 2023. V. 13. N 12. P. 7328. doi: 10.3390/app13127328

21. Котенко И.В., Соболев П.С. Обнаружение атак на веб-приложения: анализ современных подходов // Актуальные проблемы инфотелекоммуникаций в науке и образовании: Сборник научных статей XIII Международной научно-технической и научно-методической конференции. 2024. Т. 1. P. 497–501.

22. Еремин Е.О. Обзор открытых наборов данных для выявления атак на веб-приложения // International Journal of Open Information Technologies. 2024. Т. 12. № 3. С. 106–113.

23. Venkatramulu S., Waseem Md.S., Taneem A., Thoutam S.Y., Apuri S., Nachiketh. Research on SQL injection attacks using word embedding techniques and machine learning // Journal of Sensors, IoT & Health Sciences. 2024. V. 2. N 1. P. 55–64. doi: 10.69996/jsihs.2024005

24. Bakır R. UniEmbed: A Novel approach to detect XSS and SQL injection attacks leveraging multiple feature fusion with machine learning techniques // Arabian Journal for Science and Engineering. 2025. V. 50. N 19. P. 15591–15604. doi: 10.1007/s13369-024-09916-4

25. Karacan H., Sevri M. A Novel data augmentation technique and deep learning model for Web application security // IEEE Access. 2021. V. 9. P. 150781–150797. doi: 10.1109/ACCESS.2021.3125785

26. Yang W., Zuo W., Cui B. Detecting malicious URLs via a keywordbased convolutional gated-recurrent-unit neural network // IEEE Access. 2019. V. 7. P. 29891–29900. doi: 10.1109/ACCESS.2019.2895751