Firewall de aplicação web ganha detector de SQL injection baseado em BERT e redes neurais de grafos
Pesquisadores propõem um pipeline híbrido que combina embeddings contextuais do BERT com uma rede neural de grafos para classificar consultas SQL maliciosas, atingindo mais de 99% de acurácia e baixa sensibilidade a perturbações adversariais. O modelo e o dataset foram publicados abertamente no GitHub para validação independente. É um exemplo do lado defensivo da segurança de IA: usar deep learning para reforçar firewalls de aplicação web (WAF) contra SQL injection.
O trabalho, de Musoke, Badii e Ashlam, ataca um problema clássico de segurança de aplicações web — a detecção de SQL injection (SQLi) — combinando duas famílias de IA: modelos de linguagem baseados em transformers (BERT) e redes neurais de grafos (GNN). Cada consulta SQL é tokenizada e convertida em embeddings contextuais pelo BERT; esses embeddings então inicializam os atributos dos nós de um grafo que representa a estrutura da consulta, processado por uma GNN treinada para classificar a consulta como benigna ou maliciosa. A arquitetura foi ajustada com Optuna, otimizando acurácia, precisão, recall e F1-score.
Os resultados reportados são altos — 99,67% de acurácia, 99,71% de precisão e 99,39% de recall — e os autores complementam a avaliação padrão com uma análise de sensibilidade que perturba os grafos de entrada, obtendo uma pontuação de sensibilidade média de apenas 0,0037, o que indica previsões relativamente estáveis mesmo diante de pequenas variações na consulta. Dataset, conjuntos de teste e modelos foram publicados no GitHub para validação aberta por terceiros.
O interesse aqui não é uma vulnerabilidade a ser corrigida, mas um exemplo do lado defensivo da segurança de IA: usar arquiteturas híbridas de deep learning para reforçar WAFs além das regras estáticas tradicionais, que são mais fáceis de contornar com ofuscação. Combinar a compreensão semântica do BERT com a modelagem estrutural da GNN é uma tentativa de capturar tanto o "significado" quanto a "forma" de uma consulta maliciosa, o que pode generalizar melhor para variantes de SQLi não vistas em treinamento — desde que a robustez a perturbações reportada aqui se confirme fora do ambiente de teste controlado dos autores.