arXiv cs.CRは2026年8月28日(現地時間)、Lilliane Linnet Musoke氏、Atta Badii氏、Ahmed Ashlam氏が共同執筆した研究論文「Enhancing Web Application Firewalls with BERT-GNN for SQL Injection Detection」を発表した。この論文では、Webアプリケーションファイアウォール（WAF）によるSQLインジェクション（SQLi）攻撃の検出精度と堅牢性を高めるための、最適化されたハイブリッドBERT-GNNパイプラインを提案している。
この研究は、Webアプリケーションセキュリティにおける喫緊の課題であるSQLi攻撃に対処することを目的としている。従来のWebアプリケーションファイアウォール（WAF）は、既知の攻撃パターンに基づくルールベースの検出が主流であり、巧妙化するゼロデイ攻撃や多形性攻撃に対しては、しばしば検知の限界に直面していた。特に、悪意のある入力が正規のSQLクエリと見分けがつきにくい場合に、誤検知（偽陽性）や見逃し（偽陰性）が発生しやすかった。
提案されたハイブリッドBERT-GNNパイプラインは、これらの課題を克服するために、深層学習技術を統合している。具体的には、SQLクエリをBERT（Bidirectional Encoder Representations from Transformers）モデルによって文脈に応じたベクトル表現（エンベディング）に変換する。このBERTエンベディングは、SQLクエリの構文的・意味的特徴を捉える上で強力な能力を発揮する。次に、これらのエンベディングがグラフニューラルネットワーク（GNN）のノード特徴として初期化され、GNNが各クエリを悪意のあるものか否かを分類するように訓練される。
モデルのアーキテクチャは、機械学習の最適化ライブラリであるOptunaを用いて厳密にチューニングされた。この最適化プロセスでは、精度（accuracy）、適合率（precision）、再現率（recall）、F1スコアといった評価指標が包括的に考慮され、最も優れたパフォーマンスを発揮する構成が特定された。その結果、この提案モデルは攻撃クラスにおいて、99.67%の精度、99.71%の適合率、99.39%の再現率、99.55%のF1スコアという高い検出性能を達成した。
さらに、提案モデルの堅牢性を評価するため、グラフ入力に意図的な摂動を加える感度分析が実施された。この分析では、平均感度スコアが0.0037と非常に低い値を示し、モデルの予測が外部からのわずかな入力変化に対して極めて安定していることが実証された。これらの結果は、BERTの強力な文脈理解能力とGNNの構造モデリング能力を組み合わせたこの新しいハイブリッドモデルが、高度かつ複雑なSQLi攻撃ベクターを効果的に検出する大きな可能性を秘めていることを示唆している。
研究チームは、オープンサイエンスの原則に基づき、開発したデータセット、テストセット、およびモデルのコードをGitHubで公開している。これにより、研究の再現性と透明性が確保され、セキュリティ研究コミュニティ全体でのさらなる検証と発展が期待される。
参考: arXiv cs.CR — 2026年9月1日 13:00 (JST)
原文ハイライト"Enhancing Web Application Firewalls with BERT-GNN for SQL Injection Detection"