Разработка машинного обучения — удалённая работа в Москве

Требуется разработать ml модель для модификации SQL-запросов. Модель должна выполнять преобразование инъекционных SQL-запросов, создавая их зашумленные версии, которые: 1. Сохраняют семантическую корректность, обеспечивая выполнение исходного запроса без изменения его логики. 2. Искажают структуру запроса, усложняя задачу обнаружения SQL-инъекций для детекторных моделей. Примеры модификаций: Исходный запрос SELECT * FROM users WHERE username = 'admin' OR '1'='1'; Зашумленный вариант (HEX-кодировка) SELECT * FROM users WHERE username = 0x61646D696E OR 0x31=0x31; Зашумленный вариант (построение строки через CONCAT) SELECT * FROM users WHERE username = CONCAT('ad','min') OR '1'='1'; Затем нужно реализовать тестирование разработанной модели: 1. Применение мутаций к SQL-запросам из открытых датасетов, используя разработанную модель для генерации зашумленных версий инъекционных запросов. 2. Оценка устойчивости существующих ML-моделей для обнаружения SQL-инъекций (взять их в открытом доступе), проверка их способности корректно классифицировать модифицированные запросы. 3. Анализ результатов, в ходе которого определяется, какие модели остаются эффективными против мутаций, а какие теряют способность обнаруживать атаки (такие-то модели стойкие / не стойкие к таким-то мутациям, какие типы мутаций наиболее эффективно обходят детекторные системы). Результатом тестирования является отчет, содержащий: 1. Перечень протестированных моделей детекции SQL-инъекций. 2. Список примененных мутаций и их влияние на способность моделей обнаруживать атаки. 3. Заключение о стойкости/уязвимости каждой модели к конкретным типам мутаций. P.S. по идее нужно продемонстрировать, что разработанная модель снижает эффективность моделей детекции SQL-инъекций, когда им подаются сгенерированные (зашумленные) примеры. Но результаты можно будет, если что, подогнать. Цена обсуждаема.