黃予岑KEN
← 所有專案
研究研究計畫進行中

基於機器學習之動態 Web 攻擊偵測與可解釋自動化防禦系統

AI 輔助 WAF 攻擊偵測系統 · 2025

Machine LearningWAFXAISHAPPyTAILIncremental LearningHuman-in-the-LoopTF-IDFTransformer

研究背景與動機

隨著網路應用程式的普及，SQL Injection、跨網站指令碼（XSS）以及參數篡改等網路攻擊不斷演化。現有的 Web Application Firewall（WAF）雖能透過靜態規則有效攔截已知攻擊，但對於未知攻擊樣態有時未能適應——攻擊者往往利用尚未被記錄的手法在短時間內繞過傳統防禦。

本研究旨在提出一套 AI 輔助的攻擊偵測機制，將使用者請求的語意特徵與行為模式納入分析，補足 WAF 規則的不足。系統將提供可解釋的判斷說明（關鍵字/特徵）、自動化的規則建議以供人員審核，並在審核通過後自動更新規則庫與增量訓練模型，確保防護能隨攻擊演進持續更新。

研究問題

Q1

如何利用 AI 模型強化 WAF 對未知與變形攻擊的偵測能力，以提升整體防護效果？

Q2

如何在提高準確率的同時降低誤判率，避免影響合法使用者的操作體驗？

Q3

如何將 AI 模型與現有 WAF 結合，使系統能即時分析請求、自動提供規則更新建議，並透過增量學習持續調整模型？

研究方法

本研究結合文字特徵與 HTTP 行為特徵，使用多種特徵模型進行訓練。文字特徵包括 payload 的 BOW、TF-IDF 或 Transformer embedding；行為特徵則包括請求頻率、Session 長度、Header 變化及錯誤率等統計與序列特徵。模型訓練採用監督式學習進行預訓練，並搭配增量學習與 Human-in-the-Loop，以小批量方式更新模型並納入人工確認與高置信度偽標籤。XAI 技術將標示對模型判斷最關鍵的特徵，並支援自動生成簡單 WAF 規則。

研究步驟

資料蒐集 → 特徵工程 → 增量學習 → XAI 規則建議 → 系統驗證

01資料蒐集與標註

收集公開 SQLi/XSS 資料集並模擬 HTTP 請求行為（headers、URL、請求頻率、Session 長度及錯誤率），分割為訓練、驗證與測試集。

02特徵工程與模型建構

對 payload 文字進行向量化，對 HTTP 行為提取統計與序列特徵，將文字與行為特徵輸入多個特徵模型，評估模型偵測不同特徵的表現。

03增量學習與 Human-in-the-Loop

利用 PyTAIL 系統將模型高置信度樣本提供給管理者驗證，將經人工確認的樣本與高置信偽標籤進行輕量增量更新，確保模型持續適應新型態攻擊。

04XAI 分析與規則建議

採用 SHAP 標示攻擊重要特徵，對明顯攻擊特徵自動生成簡單 WAF 規則（關鍵字匹配、行為閾值限制）；對複雜或高度變形攻擊提供 XAI 分析輸出，供管理者自行設計精細規則。

05系統測試與驗證

模擬各類攻擊與合法流量，評估模型對未知與變形攻擊的偵測率、誤判率及規則生成效益，並與傳統 WAF 規則防護進行比較。

預期成果

本研究預期提出 AI 輔助 Web 攻擊偵測與規則建議系統，能在未知與變形攻擊的偵測上明顯優於傳統 WAF，提升準確率與召回率，並降低誤判率。結合 XAI 的規則建議功能可減少管理者人工維護成本，對明顯攻擊自動生成 WAF 規則，對複雜攻擊提供決策參考，確保系統既具即時防護能力，也能支援長期安全策略的調整與優化。

參考文獻

  1. [1]

    Bilic, I., Josic, K., Pranic, D., & Ribaric, S. (2024). WEB APPLICATION FIREWALLS (WAFS) IN PROTECTING SOFTWARE. Annals of DAAAM & Proceedings, 35.

  2. [2]

    Bakır, R. (2025). UniEmbed: A Novel Approach to Detect XSS and SQL Injection Attacks Leveraging Multiple Feature Fusion with Machine Learning Techniques. Arabian Journal for Science and Engineering, 1-14.

  3. [3]

    Zhao, Q., Liu, B., Wu, H., Zhang, Z., Hu, R., Hua, H., & Zhang, C. (2023, December). A Multi-feature Fusion Method for Web Scanning Behavior Detection in Online Web Logs. In 2023 4th International Conference on Computers and Artificial Intelligence Technology (CAIT) (pp. 246-252). IEEE.

  4. [4]

    Mishra, S., & Diesner, J. (2022). PyTAIL: Interactive and Incremental Learning of NLP Models with Human in the Loop for Online Data. arXiv preprint arXiv:2211.13786.

  5. [5]

    Cate, M., & Aishat, T. (2023). Explainable AI (XAI) in Cybersecurity: Making Web Threat Detection Transparent and Trustworthy.

← 回到專案列表