Detecting and preventing SQL injection attacks using large language models
Büyük dil modelleri kullanarak SQL enjeksiyon saldırılarının tespiti ve önlenmesi
- Tez No: 991509
- Danışmanlar: DOÇ. DR. MEHMET AKİF ŞAHMAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Büyük Dil Modelleri, Boolean SQL Enjeksiyonu, Hata Tabanlı SQL Enjeksiyonu, Mixtral-8x7B-Instruct, Siber Güvenlik, Union SQL Enjeksiyonu, Web Güvenliği, Boolean SQL Injection, Cybersecurity, Error SQL injection, Large Language Models, Mixtral-8x7B-Instruct, Union SQL injection, Web Security
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, SQL Enjeksiyon Saldırılarının tespiti ve önlenmesini, Büyük Dil Modellerinin (LLM'ler) modern web güvenlik çerçevelerine entegrasyonu yoluyla incelemektedir. SQL enjeksiyon saldırıları, kuruluşlar için kritik tehditlerden biri olmaya devam etmektedir. Bu çalışma, Boolean tabanlı, Union tabanlı ve Hata tabanlı olmak üzere çeşitli SQL enjeksiyon saldırılarını sınıflandırmakta ve analiz etmektedir. Ayrıca parametreleştirilmiş sorgular, girdi doğrulama ve web uygulama güvenlik duvarları gibi önleme yöntemlerine genel bir bakış sunmaktadır. Tezin merkezinde, SQL enjeksiyon saldırılarının tespiti ve önlenmesini geliştirmek amacıyla Büyük Dil Modellerindeki (LLM'ler) ilerlemelerden yararlanılması yer almaktadır. Özellikle, ücretsiz olarak sunulan beş üst düzey LLM, çeşitli SQL enjeksiyon tekniklerini tanımadaki etkinlikleri açısından değerlendirilmiştir. Geniş veri kümeleri üzerinde eğitilmiş LLM'ler, kalıpları analiz edebilir, güvenlik açıklarını öngörebilir ve gerçek zamanlı tehdit azaltma önerileri sağlayabilir. Modelleri test etmek ve değerlendirmek için, kötü amaçlı ve meşru SQL sorguları içeren özel olarak etiketlenmiş bir veri seti kullanılmıştır. Her model, doğruluk (accuracy), kesinlik (precision), geri çağırma (recall) ve F1-skoru gibi değerlendirme ölçütleriyle test edilmiştir. Test edilen modeller arasında, mistralai/mixtral-8x7b-instruct en yüksek tespit performansını tutarlı biçimde göstermiş ve SQL enjeksiyon kategorileri genelinde kesinlik ve geri çağırma arasında dengeli bir sonuç sunmuştur. Bu durum, modelin web tabanlı uygulamalarda akıllı ve otomatik güvenlik denetimi sağlama açısından yararlı olabileceğini göstermektedir. Bulgular, Mixtral-8x7B Instruct modelinin ortalama %87.52 F1 skoru ve %86.67 doğruluk ile en iyi sonuçları elde ettiğini ortaya koymaktadır. İkinci sırada, geniş tespit kapsamına ve yüksek geri çağırma performansına sahip LLaMA-3-70B yer almaktadır. DeepSeek ve CodeLLaMA bazı saldırı türlerinde iyi performans gösterse de genel olarak tutarlı değildi. Öte yandan, düşük hesaplama verimliliğine rağmen en iyi ortalama tespit ölçümlerinden bazıları Qwen2.5-Coder-7B tarafından elde edilmiştir. Bu bulgular, gelişmiş LLM'lerin SQL enjeksiyonunun tespitini ve tamamlayıcı güvenlik mekanizmalarını geliştirme konusunda umut verici bir potansiyele sahip olduğunu göstermektedir.
Özet (Çeviri)
This thesis explores the detection and prevention of SQL Injection Attacks through the integration of Large Language Models (LLMs) into modern web security frameworks. SQL injection attacks keep being one of the critical threats for organizations. This thesis categorizes and analyses a number of SQL injection attacks including Boolean-based, union-based, and error-based. It provides a general overview of the prevention methods using parameterized queries, input validation, and web application firewalls. A central focus of this thesis is on leveraging advancements in large language models (LLMs), to enhance SQL injection attacks detection and prevention. Specifically, five cutting-edge free training LLMs are evaluated for their effectiveness in identifying various SQL injection techniques. LLMs, trained on wide datasets, can analyse patterns, predict vulnerabilities, and provide real-time threat mitigation recommendations. To test and evaluate these models, we use a custom-labeled dataset, which contains malicious and legitimate SQL queries. Each model was tested using evaluation metrics included accuracy, precision, recall and F1-score. Among the tested models, mixtral-8x7b-instruct consistently achieved the highest detection performance, offering a balanced trade-off between precision and recall across SQL injection categories. This makes it clear that the model can be useful in providing intelligent and automated security auditing at web-based applications. Findings indicate that Mixtral-8x7B Instruct achieved the best results an average of F1-score of 87.52% and an accuracy of 86.67%. The second one was LLaMA-3-70B that was well-recalling and had a wide detection scale. DeepSeek and CodeLLaMA both performed well in some form of attacks, but not overall. On the other hand, the best average detection measures were achieved with Qwen2.5-Coder-7B although it has low computational efficiency. These findings indicate that advanced LLMs are potentially promising to enhance the detection of SQL injection and complementary security.
Benzer Tezler
- Uygulama katmanı için güvenlik duvarı geliştirilmesi
An efficient firewall for web applications (EFWA)
METİN ŞAHİN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM SOĞUKPINAR
- Veriyükü üzerinden sql enjeksiyon zafiyetlerin belirlenmesi
Determining sql injection vulnerabilities through payload
RAMAZAN CANKUŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiSiber Güvenlik Ana Bilim Dalı
PROF. DR. RESUL KARA
- SQL enjeksiyonu saldırılarının makine öğrenmesi ile tespiti ve korunma yöntemleri
Detection of SQL injection attacks with machine learningand prevention methods
EMRE POLAT
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. HALİL İBRAHİM BÜLBÜL
- Gerçek zamanlı saldırı tespiti ve engelleme için makine öğrenmesi yöntemleri kullanarak web uygulama güvenlik duvarı geliştirilmesi
Development of web application firewall using machine learning techniques for real-time intrusion detection and prevention
MUHAMMED ERSİN DURMUŞKAYA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN FEHMİ SELİM BAYRAKLI
- Web tabanlı saldırı önleme amaçlı yeni bir gerçek zamanlı web uygulaması güvenlik duvarı algoritmasının gerçekleştirilmesi
Implemantation of a real time web-based intrusion prevention aimed web application firewall algoritm
ADEM TEKEREK
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektronik ve Bilgisayar Eğitimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ÖMER FARUK BAY