keras连接mysql_使用keras做SQL注入攻击的判断(实例讲解)

本文是通过深度学习框架keras来做sql注入特征识别， 不过虽然用了keras，但是大部分还是普通的神经网络，只是外加了一些规则化、dropout层(随着深度学习出现的层)。

基本思路就是喂入一堆数据(int型)、通过神经网络计算(正向、反向)、softmax多分类概率计算得出各个类的概率，注意：这里只要2个类别：0-正常的文本；1-包含sql注入的文本

文件分割上，做成了4个python文件：

util类，用来将char转换成int(nn要的都是数字类型的，其他任何类型都要转换成int/float这些才能喂入，又称为feed)

data类，用来获取训练数据，验证数据的类，由于这里的训练是有监督训练，因此此时需要返回的是个元组(x, y)

trainer类，keras的网络模型建模在这里，包括损失函数、训练epoch次数等

predict类，获取几个测试数据，看看效果的预测类

先放trainer类代码，网络定义在这里，最重要的一个，和数据格式一样重要(呵呵，数据格式可是非常重要的，在这种程序中)

import sql注入data

import numpy as np

import keras

from keras.models import sequential

from keras.layers import dense, dropout, activation

from keras.layers.normalization import batchnormalization

from keras.optimizers import sgd

x, y=sql注入data.loadsqlinjectdata()

availablevectorsize=15

x=keras.preprocessing.sequence.pad_sequences(x, padding='post', maxlen=availablevectorsize)

y=keras.utils.to_categorical(y, num_classes=2)

model = sequential()

model.add(dense(64, activation='relu', input_dim=availablevectorsize))

model.add(batchnormalization())

model.add(dropout(0.3))

model.add(dense(64, activation='relu'))

model.add(dropout(0.3))

model.add(dense(2, activation='softmax'))

sgd = sgd(lr=0.001, momentum=0.9)

model.compile(loss='mse',

optimizer=sgd,

metrics=['accuracy'])

history=model.fit(x, y,epochs=500,batch_size=16)

model.save('e:\\sql_checker\\models\\trained_models.h5')

print("done, model saved in path-->e:\\sql_checker\\models\\trained_models.h5")

import matplotlib.pyplot as plt

plt.plot(history.history['loss'])

plt.title('model loss')

plt.ylabel('loss')

plt.xlabel('epoch')

plt.legend(['train', 'test'], loc='upper left')

plt.show()

先来解释上面这段plt的代码，因为最容易解释，这段代码是用来把每次epoch的训练的损失loss value用折线图表示出来：

何为训练？何为损失loss value？

训练的目的是为了想让网络最终计算出来的分类数据和我们给出的y一致，那不一致怎么算？不一致就是有损失，也就是说训练的目的是要一致，也就是要损失最小化

怎么让损失最小化？梯度下降，这里用的是sgd优化算法：

from keras.optimizers import sgd

sgd = sgd(lr=0.001, momentum=0.9)

model.compile(loss='mse',

optimizer=sgd,

metrics=['accuracy'])

上面这段代码的loss='mse'就是定义了用那种损失函数，还有好几种损失函数，大家自己参考啊。

optimizer=sgd就是优化算法用哪个了，不同的optimizer有不同的参数

由于此处用的是全连接nn，因此是需要固定的输入size的，这个函数就是用来固定(不够会补0) 特征向量size的：

x=keras.preprocessing.sequence.pad_sequences(x, padding='post', maxlen=availablevectorsize)

再来看看最终的分类输出，是one hot的，这个one hot大家自己查查，很容易的定义，就是比较浪费空间，分类间没有关联性，不过用在这里很方便

y=keras.utils.to_categorical(y, num_classes=2)

然后再说说预测部分代码：

import sql注入data

import converter

import numpy as np

import keras

from keras.models import load_model

print("predict....")

x=sql注入data.loadtestsqlinjectdata()

x=keras.preprocessing.sequence.pad_sequences(x, padding='post', maxlen=15)

model=load_model('e:\\sql_checker\\models\\trained_models.h5')

result=model.predict_classes(x, batch_size=len(x))

result=converter.convert2label(result)

print(result)

print("done")

这部分代码很容易理解，并且连y都没有

好了，似乎有那么点意思了吧。

下面把另外几个工具类、数据类代码放出来：

def toints(sentence):

base=ord('0')

ary=[]

for c in sentence:

ary.append(ord(c)-base)

return ary

def convert2label(vector):

string_array=[]

for v in vector:

if v==1:

string_array.append('sql注入')

else:

string_array.append('正常文本')

return string_array

import converter

import numpy as np

def loadsqlinjectdata():

x=[]

x.append(converter.toints("100"))

x.append(converter.toints("150"))

x.append(converter.toints("1"))

x.append(converter.toints("3"))

x.append(converter.toints("19"))

x.append(converter.toints("37"))

x.append(converter.toints("1'--"))

x.append(converter.toints("1' or 1=1;--"))

x.append(converter.toints("updatable"))

x.append(converter.toints("update tbl"))

x.append(converter.toints("update someb"))

x.append(converter.toints("update"))

x.append(converter.toints("updat"))

x.append(converter.toints("update a"))

x.append(converter.toints("'--"))

x.append(converter.toints("' or 1=1;--"))

x.append(converter.toints("aupdatable"))

x.append(converter.toints("hello world"))

y=[[0],[0],[0],[0],[0],[0],[1],[1],[0],[1],[1],[0],[0],[1],[1],[1],[0],[0]]

x=np.asarray(x)

y=np.asarray(y)

return x, y

def loadtestsqlinjectdata():

x=[]

x.append(converter.toints("some value"))

x.append(converter.toints("-1"))

x.append(converter.toints("' or 1=1;--"))

x.append(converter.toints("noupdate"))

x.append(converter.toints("update "))

x.append(converter.toints("update"))

x.append(converter.toints("update z"))

x=np.asarray(x)

return x

以上这篇使用keras做sql注入攻击的判断(实例讲解)就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持萬仟网。

希望与广大网友互动？？

点此进行留言吧！