paperbot · PL 论文追踪

全部论文 待读 收藏

P2 A Machine Learning Based Approach to Identify SQL Injection Vulnerabilities

一种基于机器学习的 SQL 注入漏洞识别方法
ASE 2019 34th IEEE/ACM International Conference on Automated Software Engineering (ASE)2019匹配度 3/10 · 论文使用传统机器学习（CNN/MLP）基于输入验证与净化特征检测 PHP 代码中的 SQL 注入漏洞，属于机器学习用于程序安全分析，但未涉及用户关注的 LLM/Agent、浮点程序分析或贝叶斯程序分析，且技术路线偏旧，与当前研究核心方向匹配度低。引用 52 inbox
Kevin Zhang
机器学习与程序语言安全与隐私
crossref: 2026-09-12

AI 速览

一句话：提出基于输入验证与净化特征的机器学习分类器，用于检测 PHP 代码中的 SQL 注入漏洞。

本文针对 PHP 代码中的 SQL 注入漏洞检测问题，提出一种机器学习分类方法。作者从源代码文件中提取输入验证与净化相关特征，分别使用经典机器学习算法和深度学习算法训练并评估分类器模型，并通过十折交叉验证比较性能。实验结果表明，卷积神经网络（CNN）模型取得最高精确率（95.4%），而多层感知机（MLP）模型取得最高召回率（63.7%）和最高 F 值（0.746）。

问题
如何自动识别 PHP 代码中的 SQL 注入漏洞，并比较不同机器学习模型在该任务上的检测效果。
方法
从源代码提取输入验证与净化特征，使用经典与深度学习算法训练分类器，并以十折交叉验证评估模型。
评估
在十折交叉验证下比较精确率、召回率和 F 值；CNN 精确率最高（95.4%），MLP 召回率和 F 值最高（63.7%、0.746）。
原文摘要（Abstract）

This paper presents a machine learning classifier designed to identify SQL injection vulnerabilities in PHP code. Both classical and deep learning based machine learning algorithms were used to train and evaluate classifier models using input validation and sanitization features extracted from source code files. On ten-fold cross validations a model trained using Convolutional Neural Network(CNN) achieved the highest precision (95.4%), while a model based on Multilayer Perceptron(MLP) achieved the highest recall (63.7%) and the highest f-measure (0.746).

链接与引用

DOI 原文 ·

BibTeX 
@inproceedings{paperbot5212,
  title = {A Machine Learning Based Approach to Identify SQL Injection Vulnerabilities},
  author = {Kevin Zhang},
  booktitle = {ASE},
  year = {2019},
  doi = {10.1109/ase.2019.00164}
}