В настоящей статье исследуются современные методы машинного обучения для обнаружения SQL-инъекций – одной из наиболее распространенных угроз в области кибербезопасности. Рассматриваются подходы, основанные на нейронных сетях, методе главных компонент и использовании платформы KNIME. Проведен анализ эффективности различных алгоритмов, а также предложены рекомендации по их применению в реальных сценариях. Результаты исследования демонстрируют потенциал машинного обучения для повышения уровня защиты веб-приложений от атак типа SQL-инъекций. Нейронные сети и алгоритмы, основанные на PCA, показали значительную точность в классификации вредоносных запросов. Использование платформы KNIME позволило упростить процесс разработки и тестирования моделей, что делает ее перспективным инструментом для специалистов в области кибербезопасности. Перспективным направлением будущих исследований является интеграция предложенных методов с другими технологиями, такими как анализ поведения пользователей и обработка естественного языка, для повышения точности обнаружения атак.
1.??Что такое Knime и как его использовать. – URL: https://sky.pro/media/
chto-takoe-knime-i-kak-ego-ispolzovat/ (дата обращения: 03.09.2025).
2.??Abualkibash M. Machine learning in network security using KNIME analytics // arXiv preprint arXiv:2001.11489. – URL: https://arxiv.org/abs/2001.11489 (accessed: 03.09.2025).
3.??Emery J. Decision trees and random forests in KNIME. – URL: https://www.phdata.io/blog/decision-trees-and-random-forests-in-knime/ (accessed: 03.09.2025).
4.??KNIME Hub: Tree ensemble classification. – URL: https://hub.knime.com/
knime/extensions/org.knime.features.ensembles/latest/org.knime.base.node.mine.treeensemble2.node.learner.classification.TreeEnsembleClassificationLearnerNodeFactory2 (accessed: 03.09.2025).
5.??Logistic Regression in Machine Learning. – URL: https://www.mastersin-datascience.org/learning/machine-learning-algorithms/logistic-regression/ (accessed: 03.09.2025).
6.??Naive Bayes Algorithm Overview. – URL: https://databasecamp.de/en/ml/
naive-bayes-algorithm (accessed: 03.09.2025).
7.??KNIME Hub: Fuzzy Basis Function Learner. – URL: https://hub.knime.com/
knime/extensions/org.knime.features.base/latest/org.knime.base.node.mine.bfn.fuzzy.FuzzyBasisFunctionLearnerNodeFactory (accessed: 03.09.2025).
8.??KNIME Hub: Radial Basis Function Learner. – URL: https://hub.knime.com/knime/extensions/org.knime.features.base/latest/org.knime.base.node.mine.bfn.radial.RadialBasisFunctionLearnerNodeFactory (accessed: 03.09.2025).
9.??KNIME Hub: Neural Networks with RProp. – URL: https://hub.knime.com/
knime/extensions/org.knime.features.base/latest/org.knime.base.node.mine.neural.
rprop.RPropNodeFactory2 (accessed: 03.09.2025).
10.??Вопрос на EasyOffer. – URL: https://easyoffer.ru/question/5476
(accessed: 02.04.2025).
11.??KNIME Hub: K Nearest Neighbor. – URL: https://hub.knime.com/knime/
extensions/org.knime.features.base/latest/org.knime.base.node.mine.knn.KnnNode
Factory2 (accessed: 03.09.2025).
Исследование методов машинного обучения для обнаружения SQL-инъекций / В.Г. Лапин, Ю.А. Андрусенко, Д.Э. Суренков, Д.А. Федаш, А.А. Соломянко // Безопасность цифровых технологий. – 2025. – № 3 (118). – С. 74–92. – DOI: 10.17212/2782-2230-2025-3-74-92.
Lapin V.G., Andrusenko Yu.A., Surenkov D.E., Fedash D.A., Solomyanko A.A. Issledovanie metodov mashinnogo obucheniya dlya obnaruzheniya SQL-in"ektsii [Research of machine learning methods for detecting SQL injections]. Bezopasnost' tsifrovykh tekhnologii = Digital Technology Security, 2025, no. 3 (118), pp. 74–92. DOI: 10.17212/2782-2230-2025-
3-74-92.