Разработка машинного обучения — удалённая работа в Москве

Пожелания и особенности: Необходимо оценить, насколько устойчивы ML-модели для детекции SQL-инъекций к мутациям атакующих запросов. Для тестирования должны быть использованы датасеты SQL-инъекций, находящиеся в открытом доступе. К этим датасетам нужно применить мутации - модифицировать исходные атакующие SQL-запросы, сохраняя их вредоносную природу. Для применения мутаций к датасетам с SQL-инъекциями необходимо написать python скрипт, который будет проходить по всем SQL-запросам в датасете и применять случайные или комбинированные мутации. Примеры мутаций: 1) Лексические мутации - Кодирование символов: применение URL-кодирования, (например, SELECT → %53%45%4C%45%43%54), Unicode-кодирования (' OR '1'='1' -- → '\u0027 OR \u00271\u0027=\u00271 --') - Использование SQL-комментариев для разрыва стандартных правил парсинга (SELECT//id//FROM//users WHERE//1=1;) - Разделение строкового значения на части (SELECT id FROM users WHERE username = 'a'+'d'+'min';) и т.д., более подробный список обсудим. Оценка стойкости моделей. Для оценки стойкости моделей необходимо: Взять в открытом доступе модели для обнаружения SQL-инъекций. Протестировать модели на исходных данных и зафиксировать точность классификации. Применить мутации к тестовым данным и снова провести классификацию. Сравнить результаты классификации до и после мутаций. Выявить закономерности: какие мутации приводят к ухудшению детекции, а какие модели оказываются более устойчивыми. Сроки работы и стоимость обсуждаются.