ЗА ПРЕДЕЛАМИ СТАТИЧЕСКОГО АНАЛИЗА: МЕТОДЫ ИИ ДЛЯ ОБНАРУЖЕНИЯ СЛАБЫХ МЕСТ БЕЗОПАСНОСТИ ВЕБ-ПРИЛОЖЕНИЙ
Ключевые слова:
искусственный интеллект, веб-безопасность, обнаружение уязвимостей, машинное обучение, глубокое обучение, статический анализ, динамический анализ, обнаружение аномалий, безопасные веб-приложения, автоматизация кибербезопасности.Аннотация
Растущая сложность современных веб-приложений выявила критические ограничения традиционных инструментов статического анализа, которые часто не способны обнаруживать динамические, контекстно-зависимые или скрытые уязвимости безопасности. Недавние достижения в области искусственного интеллекта (ИИ) открывают новые многообещающие направления для совершенствования автоматизированной оценки безопасности. В этом исследовании изучаются подходы на основе машинного и глубокого обучения для выявления уязвимостей веб-приложений, выходящие за рамки статического анализа. Мы рассматриваем обнаружение аномалий на основе ИИ, моделирование динамического поведения, семантическое понимание кода и гибридные интеллектуальные методы сканирования, способные обнаруживать SQL-инъекции, XSS, обход аутентификации и логические уязвимости. Предлагаемая структура интегрирует статические признаки с поведенческими сигналами времени выполнения для повышения точности обнаружения и уменьшения ложных срабатываний. Результаты показывают, что методы на основе ИИ превосходят традиционные сканеры в выявлении сложных шаблонов атак и индикаторов нулевого дня, что знаменует собой значительный прогресс в интеллектуальной оценке веб-безопасности.
Библиографические ссылки
M. Sharif et al., “A Survey of Machine Learning Techniques for Web Security,” Journal of Network and Computer Applications, vol. 168, 2020.
Y. Li et al., “VulDeePecker: A Deep Learning-Based Vulnerability Detection System,” NDSS Symposium, 2018.
S. Krishnan et al., “Deep Learning for Code Analysis: A Survey,” ACM Computing Surveys, vol. 55, no. 1, 2022.
OWASP Foundation, “OWASP Top 10: Web Application Security Risks,” 2021.
Available: https://owasp.org
J. Lin, Z. Su, and C. Zhang, “Graph Neural Networks in Software Engineering,” IEEE Transactions on Software Engineering, 2021.
C. Kolosnjaji et al., “Deep Learning-Based Detection of Malicious HTTP Traffic,” IEEE TrustCom, 2016.
S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, 1997.
K. A. Nguyen and Y. Kim, “Hybrid Static–Dynamic Analysis for Detecting Logic Vulnerabilities in Web Applications,” IEEE Security & Privacy Workshops, 2020.
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 S.Sh. Kobilov, A.I. Goyibnazarov, Q.T.Umurzoqov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
(+998)90 142-39-38
m.z.abdutolibov@gmail.com
@universal_jurnal
Андижанская область, Мархаматский район, ул. Кашкар 189