[논문 리뷰] Machine Learning for Detection and Mitigation of Web Vulnerabilities and Web Attacks

Mahnoor Shahid|arXiv (Cornell University)|2023. 04. 27.

Network Security and Intrusion Detection인용 수 6

한 줄 요약

이 논문은 크로스사이트 스크립팅(XSS) 및 크로스사이트 요청 위조(CSRF) 공격을 탐지하고 완화하기 위한 기계학습(ML) 및 딥러닝 기법에 대한 종합적인 설문 조사 결과를 제시한다. 특징 공학, 모델 성능, 확장성 측면에서 고전적이고 고급 ML 기법을 평가하며, 유망한 결과를 도출하지만 강화학습의 제한된 활용과 CSRF 탐지 방법의 부족한 커버리지 등 격차를 밝혀낸다.

ABSTRACT

Detection and mitigation of critical web vulnerabilities and attacks like cross-site scripting (XSS), and cross-site request forgery (CSRF) have been a great concern in the field of web security. Such web attacks are evolving and becoming more challenging to detect. Several ideas from different perspectives have been put forth that can be used to improve the performance of detecting these web vulnerabilities and preventing the attacks from happening. Machine learning techniques have lately been used by researchers to defend against XSS and CSRF, and given the positive findings, it can be concluded that it is a promising research direction. The objective of this paper is to briefly report on the research works that have been published in this direction of applying classical and advanced machine learning to identify and prevent XSS and CSRF. The purpose of providing this survey is to address different machine learning approaches that have been implemented, understand the key takeaway of every research, discuss their positive impact and the downsides that persists, so that it can help the researchers to determine the best direction to develop new approaches for their own research and to encourage researchers to focus towards the intersection between web security and machine learning.

연구 동기 및 목표

• XSS 및 CSRF 취약성을 탐지하고 완화하기 위한 기계학습 및 딥러닝 응용에 대한 체계적인 문헌 리뷰를 제공하기 위해.
• 기존의 ML 기반 탐지 접근법의 강점과 한계를 분석하기 위해.
• 강화학습의 미활용 및 ML을 이용한 CSRF 탐지의 부족한 커버리지 등 연구 격차를 특정하기 위해.
• 핵심 발견을 요약하고 웹 보안 및 ML 통합 분야에서 유망하지만 아직 탐색되지 않은 방향을 강조하여 향후 연구를 이끌기 위해.
• 연구자들이 일반화 능력, 정확도, 확장성 향상에 중점을 두고 복잡하고 영향력 있는 공격에 집중할 수 있도록 유도하기 위해.

제안 방법

• 2009년부터 2023년까지 발표된 20篇 이상의 기계학습 기반 XSS 및 CSRF 탐지 관련 연구 논문에 대한 체계적 리뷰.
• XSS 및 CSRF 탐지에 대해 고전적 기계학습(SVM, 랜덤 포레스트 등)과 딥러닝(CNN, RNN, 오토에인코더 등) 기법으로 접근법을 분류.
• 자바스크립트 코드 및 HTTP 요청에 대한 어휘적, 문법적, 구조적 특징 공학 기법 평가.
• 다양한 데이터셋과 공격 유형에서 정밀도, 재현율, F1 점수, AUC-ROC 등의 메트릭을 사용한 모델 성능 분석.
• Burp Suite와 같은 기존 도구와의 통합을 통해 취약성 스캐닝 및 실시간 탐지 능력을 향상.
• 모델의 일반화 능력, 확장성, 오브스컬레이션 및 진화하는 공격 패tern에 대한 강건성 비교.

실험 결과

연구 질문

• RQ1 고전적 및 딥러닝 모델은 오브스컬레이션 및 다형성 XSS 공격에 대해 얼마나 효과적인가?
• RQ2 기존의 ML 기반 접근법에서 CSRF 취약성 탐지의 주요 한계는 무엇이며, 왜 이 분야는 탐색이 부족한가?
• RQ3 ML 모델은 다양한 웹 애플리케이션 프레임워크와 입력 유형 간에 얼마나 잘 일반화되는가?
• RQ4 특징 공학 전략은 XSS 및 CSRF 탐지 모델의 성능과 강건성에 어떤 영향을 미치는가?
• RQ5 강화학습은 진화하는 웹 공격에 대한 적응형 탐지에서 어떤 역할을 할 수 있으며, 왜 아직 미활용되고 있는가?

주요 결과

• SVM 및 랜덤 포레스트와 같은 고전적 기계학습 모델은 수작업으로 만든 특징에서는 뛰어난 성능를 보이지만, 다양한 공격 유형 간 일반화 능력에 약하다.
• 특히 RNN과 오토에인코더를 포함한 딥러닝 모델은 시퀀스 수준의 패턴을 학습함으로써 오브스컬레이션된 자바스크립트를 더 잘 탐지한다.
• 유망한 결과에도 불구하고 대부분의 연구는 특정 공격 유형에 국한되어 있어, 보다 광범위하고 진화하는 위협에 대한 적용 가능성에 제한이 있다.
• 강화학습을 이용한 XSS 탐지에 대해 연구한 사례는 몇 안 되어, 적응형 및 동적 방어 메커니즘 분야에서 상당한 연구 격차가 있음을 시사한다.
• Burp Suite와 같은 도구와의 ML 통합은 실시간 취약성 스캐닝 능력을 향상시키지만, 확장성과 가짜 경고 비율 문제는 여전히 도전 과제이다.
• 기존 설문 조사에서는 2018년 이전에 발표된 많은 핵심 논문들과 딥러닝 기반 접근법을 간과하고 있어, 이 설문 조사는 현재까지 가장 종합적인 설문 조사 중 하나이다.