AbdelrahmanGaafar-02/vulnerability-sql-scanner-project

# 驱动 AI 的 SQL 注入扫描器：项目概述 本文档详细说明了基于 AI 的动态 SQL 注入扫描器项目的核心架构、方法论和目标。 ### 1. 本项目的目标是什么？ 本项目的主要目标是构建一个**智能、实时的动态 Web 漏洞扫描器**，专门用于检测 SQL 注入。 传统的安全扫描器（如 SQLMap）正在逐渐被淘汰，因为它们依赖于僵硬的、硬编码的规则（例如在页面中搜索确切的短语 *"MySQL syntax error"*）。现代的 Web 应用防火墙 (WAF) 可以轻松拦截这些可预测的攻击，或隐藏掉错误信息。本项目的目标是创建一个“智能”扫描器，能够动态测试网站，并利用人工智能像人类网络安全专家一样进行推理，从而检测出传统扫描器遗漏的隐藏漏洞。 ### 2. 使用了什么 AI 模型以及为什么？ 该项目目前使用 **`gemma3:27b`**（此前曾测试过 `llama3.1:8b` 和 `llama3.2:3b`），完全通过 Ollama 框架在本地运行。 **为什么要使用 LLM（大语言模型）而不是传统代码？** 与使用 Regex 或硬编码规则不同，LLM 提供了**上下文启发式推断 (Contextual Heuristic Inference)**。当 payload 被发送到网站时，网站可能不会抛出明显的错误。相反，页面加载可能会多花 5 秒钟，或者登录页面可能会悄悄重定向到管理后台。 我们使用像 `gemma3:27b` 这样的模型，因为它们具备深度推理能力。该模型可以查看网站的响应，理解发生事件的上下文，并在逻辑上推断出数据库逻辑是否被成功绕过——即使没有抛出任何显式错误。我们在本地运行该模型，以确保目标数据的绝对隐私。 ### 3. 为什么要在项目中使用 Dataset？ 虽然 AI 模型充当评估损害的“大脑”，但 dataset (`sqli_dataset.csv`) 则充当了**“弹药”**。 为了测试网站是否存在 SQL 注入漏洞，扫描器必须向网站的输入字段实际发送恶意的 SQL 查询 (payload)。该 dataset 是经过验证的真实恶意 payload 的庞大集合（例如，`' OR 1=1 --`、`" UNION SELECT username, password FROM users"`）。扫描器的 payload 管理器会从 CSV 中提取这些字符串，并将它们作为实际武器来攻击目标 URL。 ### 4. 项目是如何检测漏洞的？ 检测过程遵循严格的 4 步 pipeline： 1. **注入：** 扫描器从 dataset 中提取 payload，对其进行 URL 编码，并将其注入到目标网站的 URL 参数中（例如 `?id=`）。 2. **执行与规范化：** 它向目标服务器发送 HTTP GET 请求。当服务器回复 HTML 页面时，扫描器使用 `BeautifulSoup` 剥离所有嘈杂的 HTML 标签，仅保留原始的可见文本。 3. **Prompt 构建：** 扫描器将原始 payload、HTTP 状态码以及清理后的响应文本打包到一个高度特定的 Prompt 模板中。 4. **LLM 推断：** 该 Prompt 被发送给 AI 模型。AI 充当分析师，读取响应以查看数据库是否泄露了信息或表现异常。它会严格输出 `VULNERABLE` 或 `SAFE` 的分类，并附带简短的、人类可读的解释，说明它*为什么*做出该决定。 ### 5. 如何衡量 AI 模型的准确率？ 由于扫描器测试的是在线网站，因此您不能仅通过查看 CSV dataset 来衡量其准确率。您必须根据已知的“Ground Truth（真值）”对其进行衡量。 为此，该项目包含了一个受控的测试套件（`evaluate.py` 和 `dummy_target.py`）： 1. **Dummy Target：** 启动一个包含两个特定页面的本地 Web 服务器。其中一个页面 (`/vulnerable`) 的代码故意编写得非常糟糕，因此它总是会在遇到 SQL payload 时崩溃。另一个页面 (`/safe`) 则高度安全，并且始终会安全地拦截 payload。 2. **实验：** `evaluate.py` 脚本从您的 dataset 中提取 payload，并向*这两个*页面发送攻击。由于我们已经知道了正确答案（易受攻击的页面*应该*被标记，安全的页面*不应该*被标记），因此我们可以严格地对 AI 的答案进行评分。 3. **指标：** 该脚本通过 `scikit-learn` 使用专业的机器学习数学公式进行计算： * **True Positives (真阳性)：** 成功捕获了多少次真实攻击。 * **False Positives (假阳性，幻觉)：** 有多少个安全页面让它产生了疑心并被错误标记。 * **Accuracy、Precision、Recall 和 F1-Score：** 证明 AI 在做出正确检测方面究竟有多可靠的最终数学百分比。

标签：AI安全, AI风险缓解, Apex, Chat Copilot, CISA项目, DOE合作, Splunk, SQL注入检测, 加密, 机器学习, 漏洞扫描器, 逆向工具