АНАЛИЗ ОШИБОК МАШИННОГО ОБУЧЕНИЯ ПРИ ОБНАРУЖЕНИИ SSRF

Чавес Кирос Габриэла Гуадалупе, Воинов Никита Владимирович

Данное исследование анализирует систематические ошибки моделей машинного обучения при обнаружении SSRF-уязвимостей. Основные проблемы включают: (1) путаницу между базовыми и продвинутыми вариантами SSRF (38% ошибок), связанную с HTTP-кодом 403 и размером ответа 2800-3200 байт; (2) ложные срабатывания в легитимном трафике (42%) при ≥2 редиректах или HTTP PUT/POST методах; (3) ограничения синтетических данных (20%) для запросов к внутренним API с портами 8080/8443. Ансамблевый метод Stacking показал наилучшие результаты (96.3% точности), сократив ложные срабатывания до 1.2%. На основе SHAP-анализа предложены улучшения: многоуровневая верификация трафика, приоритезация метаданных облачных сервисов (SHAP >0.15) и новый признак - отношение размера ответа к запросу. Исследование подчёркивает необходимость комбинирования синтетических и реальных данных, особенно для edge-случаев классов 4, 5 и 11.

Ключевые слова:SSRF-уязвимости, Машинное обучение, Обнаружение уязвимостей, Анализ ошибок, Синтетический набор данных