JP6998099B1

JP6998099B1 - アクセスリクエストの不正を検知する方法

Info

Publication number: JP6998099B1
Application number: JP2021127587A
Authority: JP
Inventors: 勝利四柳
Original assignee: サイバーマトリックス株式会社
Priority date: 2021-08-03
Filing date: 2021-08-03
Publication date: 2022-01-18
Anticipated expiration: 2041-08-03
Also published as: JP2023022613A; JP2023022800A

Abstract

【課題】偽陽性及び偽陰性を精度高く検知するアクセスリクエストの不正検知方法を提供する。【解決手段】ユーザ端末から受け付けたアクセスリクエストの不正検知方法において、ユーザ端末からアクセスリクエストを受け付け、所定のルールに基づいて、アクセスリクエストが不正なリクエストか否かを判定し、アクセスリクエストが不正なリクエストでないと判定した場合Ｓ１０１許可、第１の学習モデルに基づいて、アクセスリクエストが悪性のリクエストであるか否かを判定する。アクセスリクエストが悪性であると判定した場合Ｓ１０１拒否、第２の学習モデルに基づいて、アクセスリクエストが通常のリクエストであるかを判定する。そして、アクセスリクエストが通常のリクエストでないと判定した場合、アクセスリクエストを偽陰性のあるリクエストとして検知する。【選択図】図７

Description

本発明は、アクセスリクエストの不正を検知する方法に関する。

ウェブアプリケーションの脆弱性を悪用した攻撃に対し、ウェブアプリケーションを保護するセキュリティ対策の一つとして、ＷＡＦ（ＷｅｂＡｐｐｌｉｃａｔｉｏｎＦｉｒｅｗａｌｌ）の適用が挙げられる。ＷＡＦにおいては、不正なリクエストを検知するルールを構成することで、ユーザによるアクセスリクエストが、ルールに基づいて不正なリクエストに該当すると判定された場合、リクエストをブロックするが、サービスを利用する、正規なユーザリクエストをブロックしてしまう偽陽性が発生する場合がある。また、不正なリクエストであっても、ＷＡＦでは検知できない状態、すなわち、偽陰性が発生することも起こり得る。

この偽陽性及び偽陰性を技術的課題として捉え、解決手段を提供しようとする特許文献として、特許文献１が挙げられる。

特許第６７５６９３３号

しかしながら、特許文献１に開示の技術は、コンピューティングイベントについて、当該イベントが悪意のものである可能性を示す初期傾向スコアによる判定と、当該判定後に更新されたセキュリティ情報に基づいて更新された傾向スコアによる判定により、当該イベントが悪意のあるイベントであるかを正しく判定する、という技術に関するものであるが、時系列的に本来悪意のあるイベントであると判定されるべきイベントを捕捉することを可能とする技術であるが、偽陰性及び偽陽性の発生を根本的に解決する方法に至っていない。

そこで、本発明は、偽陽性及び偽陰性を精度高く検知する方法を提供することを目的とする。

本発明の一態様における、ユーザ端末から受け付けたアクセスリクエストの不正を検知する方法であって、ユーザ端末からアクセスリクエストを受け付け、所定のルールに基づいて、前記アクセスリクエストが、不正なリクエストか否かを判定し、前記アクセスリクエストが不正なリクエストでないと判定した場合、第１の学習モデルに基づいて、当該アクセスリクエストが悪性のリクエストであるか否かを判定し、前記アクセスリクエストが悪性であると判定した場合、第２の学習モデルに基づいて、当該アクセスリクエストが通常のリクエストであるかを判定し、前記アクセスリクエストがリクエストでないと判定した場合、当該アクセスリクエストを偽陰性のあるリクエストとして検知する。

本発明によれば、偽陽性及び偽陰性を精度高く検知することができる。
を実現することができる。

本発明の第一実施形態に係る、不正検知システムを示すブロック構成図である。図１のサーバ端末１００を示す機能ブロック構成図である。図１のユーザ端末２００を示す機能ブロック構成図である。サーバ１００に格納される不正検知ルールデータの一例を示す図である。サーバ１００に格納されるＡＲＤ学習データの一例を示す図である。サーバ１００に格納されるＳＲＤ学習データの一例を示す図である。本発明の第一実施形態に係る、不正検知方法の一例を示すフローチャートである。本発明の第一実施形態に係る、偽陰性を検知する、不正検知方法の一例を示すフローチャートである。本発明の第一実施形態に係る、偽陽性を検知する、不正検知方法の一例を示すフローチャートである。

以下、本発明の実施形態について図面を参照して説明する。なお、以下に説明する実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定するものではない。また、実施形態に示される構成要素のすべてが、本発明の必須の構成要素であるとは限らない。

＜構成＞
図１は、本発明の第一実施形態に係る、ユーザからのウェブアプリケーションに対するアクセスリクエストについて不正を検知するシステムの構成図である。本システム１は、例えば、ユーザ端末２００Ａ、２００Ｂ等の各々から受け付けた、ウェブアプリケーションに対するアクセスリクエストに対し、実装されるＷＡＦによって実現される不正検知プロセスに基づいて、アクセスの不正を検知する、サーバ端末１００、及び、上述の、ウェブアプリケーションに対するアクセスリクエストを行うユーザ端末２００Ａ、２００Ｂで構成される。なお、説明の便宜上、各端末を単一または特定数のものとして記載しているが、各々数は制限されない。

サーバ端末１００及びユーザ端末２００Ａ、２００Ｂは、ネットワークＮＷ１を介して各々接続される。ネットワークＮＷは、インターネット、イントラネット、無線ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）やＷＡＮ（ＷｉｄｅＡｒｅａＮｅｔｗｏｒｋ）等により構成される。

サーバ端末１００は、例えば、ワークステーションやパーソナルコンピュータのような汎用コンピュータとしてもよいし、或いはクラウド・コンピューティングによって論理的に実現されてもよい。

ユーザ端末２００Ａ、２００Ｂは、例えば、パーソナルコンピュータやタブレット端末等の情報処理装置であるが、スマートフォンや携帯電話、ＰＤＡ等により構成しても良い。

本実施形態では、システム１は、サーバ端末１００及びユーザ端末２００Ａ、２００Ｂを含み、各端末のユーザが各々の端末を利用して、サーバ端末１００に対する操作を行う構成として説明するが、サーバ端末１００がスタンドアローンで構成され、サーバ端末自身に、各ユーザが直接操作を行う機能を備えても良い。

図２は、図１のサーバ端末１００の機能ブロック構成図である。サーバ端末１００は、通信部１１０と、記憶部１２０と、制御部１３０とを備える。

通信部１１０は、ネットワークＮＷ１を介してユーザ端末２００、ユーザ端末３００と通信を行うための通信インターフェースであり、例えばＴＣＰ／ＩＰ（ＴｒａｎｓｍｉｓｓｉｏｎＣｏｎｔｒｏｌＰｒｏｔｏｃｏｌ／ＩｎｔｅｒｎｅｔＰｒｏｔｏｃｏｌ）等の通信規約により通信が行われる。

記憶部１２０は、各種制御処理や制御部１３０内の各機能を実行するためのプログラム、入力データ等を記憶するものであり、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）等から構成される。また、記憶部１２０は、アクセスリクエストに対する不正を検知するためのルールをデータとして格納する、不正ルール格納部１２１、ウェブアプリケーション等に対する攻撃に使用される、アクセスリクエストに含まれるペイロード等に関連するデータを学習させた学習モデルに関連するデータを格納する、ＡＲＤ（ＡｎｏｍａｌｙＲｅｑｕｅｓｔＤｅｔｅｃｔｉｏｎ）学習データ格納部１２２、及び正規ユーザがアクセスするアクセスリクエストに含まれるペイロード等に関連するデータを学習させた学習モデルに関連するデータを格納する、ＳＲＤ（ＳｕｓｐｉｃｉｏｕｓＲｅｑｕｅｓｔＤｅｔｅｃｔｉｏｎ）学習データ格納部１２３を有する。なお、各種データを格納したデータベース（図示せず）が記憶部１２０またはサーバ端末１００外に構築されていてもよい。

制御部１３０は、記憶部１２０に記憶されているプログラム（ＷＡＦ等のアプリケーションプログラムを含む）を実行することにより、サーバ端末１００の全体の動作を制御するものであり、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）やＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）等から構成される。制御部１３０の機能として、各端末からの情報を受け付ける情報受付部１３１と、アクセスリクエストの不正を検知するルールに関連する各種データを参照及び／または処理し、または、不正ルールの生成を行うための、不正ルール処理部１３２と、ＡＲＤ学習モデル及び／またはＳＲＤ学習モデルに関連するデータを参照及び／または処理し、または、学習モデルの生成を行うための、学習データ処理部１３３と、アクセスリクエストの不正、偽陰性及び／または偽陽性を検知するために必要な処理を行う、リクエスト処理部１３４とを有する。この情報受付部１３１、不正ルール処理部１３２、学習データ処理部１３３、及びリクエスト処理部１３４は、記憶部１２０に記憶されているプログラムにより起動されてコンピュータ（電子計算機）であるサーバ端末１００により実行される。

情報受付部１３１は、サーバ端末１００が提供し、ユーザ端末２００Ａ、２００Ｂその他の端末から通信部１１０を介して情報を受付ける。以下、必要に応じ、ユーザ端末２００Ａ、２００Ｂを総称してユーザ端末２００として説明する。例えば、ユーザ端末２００からは、ウェブアプリケーションに対するアクセスリクエスト等を受信する。

不正ルール処理部１３２は、アクセスリクエストの不正を検知するルールに関連する各種データを参照及び／または処理し、または、不正ルールの生成／更新を行う。

学習データ処理部１３３は、ＡＲＤ学習モデル及び／またはＳＲＤ学習モデルに関連するデータを参照及び／または処理し、または、学習モデルの生成／更新を行う。

リクエスト処理部１３４は、アクセスリクエストの不正、偽陰性及び／または偽陽性を検知するために必要な処理を行う。

また、制御部１３０は、図示しない、画面生成部を有することもでき、求めに応じて、ユーザ端末２００のユーザーインターフェースを介して表示される画面情報を生成する。例えば、記憶部１２０に格納された（図示しない）画像及びテキストデータを素材として、所定のレイアウト規則に基づいて、各種画像及びテキストをユーザーインターフェースの所定の領域に配置することで、ユーザーインターフェースを生成する。画像生成部に関連する処理は、ＧＰＵ（Graphics Processing Unit）によって実行することもできる。

図３は、図１のユーザ端末２００を示す機能ブロック構成図である。ユーザ端末２００は、通信部２１０と、表示操作部２２０と、記憶部２３０と、制御部２４０とを備える。

通信部２１０は、ネットワークＮＷを介してサーバ端末１００と通信を行うための通信インターフェースであり、例えばＴＣＰ／ＩＰ等の通信規約により通信が行われる。

表示操作部２２０は、ユーザが指示を入力し、制御部２４０からの入力データに応じてテキスト、画像等を表示するために用いられるユーザーインターフェースであり、ユーザ端末２００がパーソナルコンピュータで構成されている場合はディスプレイとキーボードやマウスにより構成され、ユーザ端末２００がスマートフォンまたはタブレット端末で構成されている場合はタッチパネル等から構成される。この表示操作部２２０は、記憶部２３０に記憶されている制御プログラムにより起動されてコンピュータ（電子計算機）であるユーザ端末２００により実行される。

記憶部２３０は、各種制御処理や制御部２４０内の各機能を実行するためのプログラム、入力データ等を記憶するものであり、ＲＡＭやＲＯＭ等から構成される。また、記憶部２３０は、サーバ端末１００との通信内容を一時的に記憶している。

制御部２４０は、記憶部２３０に記憶されているプログラムを実行することにより、ユーザ端末２００の全体の動作を制御するものであり、ＣＰＵやＧＰＵ等から構成される。

図４は、サーバ１００に格納される不正ルールデータの一例を示す図である。

図４に示す不正ルールデータ１０００は、アクセスリクエストの不正を検知するための各種データを格納する。不正ルールデータは、ＵＲＬ等、文字列の組合せを一つの文字列で表現する、正規表現に基づくルールを記述したものであり、一例として、図４に示すように、ユーザ端末２００からサーバ端末１００に対して送信される、ＧＥＴリクエスト等が挙げられる。不正ルールデータ１０００として、複数のサンプルデータが格納される。サーバ端末１００は、ユーザ端末２００から受信したアクセスリクエストに含まれるパラメータの値と、正規表現で組まれたルールとを比較し、これらがマッチングした場合にアクセスを拒否し、マッチングしない場合にアクセスを許可することができる。

図５は、サーバ１００に格納されるＡＲＤ学習データの一例を示す図である。

ＡＲＤ学習データ２０００は、ウェブアプリケーション等に対する攻撃に使用される、アクセスリクエストに含まれるペイロード等に関連するデータを学習させて構築された学習モデルに関連するデータを含む。学習データの一例として、図５に示すように、クロスサイトスクリプティングという手法を用いたウェブアプリケーションまたはエンドユーザを攻撃するために用いられるストリングが挙げられるが、例えば、１０万種類以上の攻撃ストリングが格納される。

図６は、サーバ１００に格納されるＳＲＤ学習データの一例を示す図である。

ＳＲＤ学習データ３０００は、正規ユーザがアクセスするアクセスリクエストに含まれるペイロード等に関連するデータを学習させて構築された学習モデルに関連するデータを含む。図６に示すように、正規データがアクセスするアクセスリクエストに含まれるペイロード等に関連するデータとして、例えば、送信元情報（ソースＩＰ、ソースＩＰが所属するネットワークの大陸名、ソースＩＰが所属するネットワークの国名、ソースＩＰが属するネットワークの識別番号（ＡＳ番号））、アクセス先（ＵＲＩ、リクエストで利用されているパラメータ、ＨＴＴＰプロトコルバージョン、ＨＴＴＰメソッド）、ヘッダーフィールド（Ｈｏｓｔ、ＵｓｅｒＡｇｅｎｔ、Ｃｏｎｎｅｃｔｉｏｎ、Ｃａｃｈｅ－Ｃｏｎｔｒｏｌ、Ｃｏｎｔｅｎｔ－Ｔｙｐｅ、Ｃｏｎｔｅｎｔ－Ｌｅｎｇｔｈ、Ａｃｃｅｐｔ－Ｅｎｃｏｄｉｎｇ、Ａｃｃｅｐｔ、Ａｃｃｅｐｔ－Ｌａｎｇｕａｇｅ、Ａｃｃｅｐｔ－Ｃｈａｒｓｅｔ、Ｏｒｉｇｉｎ、Ｒｅｆｅｒｅｒ、Ｘ－Ｆｏｒｗａｒｄｅｄ－Ｆｏｒ）等のデータが含まれる。このうち、例えば、送信元情報のうちソースＩＰ、アクセス先情報、ヘッダーフィールドに関する情報は、Ｗｅｂサーバのアクセスログ、ＷＡＦのログから取得可能なデータであり、その他の、ソースＩＰが所属するネットワークの大陸名、国名、ソースＩＰが属するネットワークの識別番号等は、外部のデータベースで補完されるデータである。ヘッダーフィールドは、サイトによるヘッダーフィールドが変わるため、ヘッダー全体をサイトの特徴として捉えるものとし、上記は代表的なヘッダーフィールドとして含まれるデータである。

＜処理の流れ＞
図７を参照しながら、本実施形態のシステム１が実行する、アクセスリクエストの不正検知方法の処理の流れについて説明する。図７は、本発明の第一実施形態に係る、不正検知方法の一例を示すフローチャートである。本処理は、ＷＡＦを実装したサーバ端末１００で実行されることを想定しているが、ＷＡＦのプログラムを実装した他のサーバ端末で実行され、他のサーバ端末からサーバ端末１００に格納される各種データを参照しながら処理を実行することもできる。

まず、ステップＳ１０１の前段の処理として、ユーザは、各端末のウェブブラウザまたはアプリケーション等を利用してサーバ端末１００にアクセスする。そして、サーバ端末１００の制御部１３０の情報受付部１３１は、通信部１１０を介して、第１のユーザに関するユーザ端末２００から、ウェブアプリケーション等へのアクセスリクエストを受信する。例えば、アクセスリクエストとして、ＨＴＴＰリクエストが挙げられ、ＨＴＴＰリクエストは、開始行として、ＨＴＴＰメソッド（ＧＥＴ、ＰＵＴ、ＰＯＳＴ等）、ＵＲＬ等のアクセス先、ＨＴＴＰバージョンが含まれ、ヘッダーフィールドとして、Ｈｏｓｔ、ＵｓｅｒＡｇｅｎｔ、Ｃｏｎｎｅｃｔｉｏｎ、Ｃａｃｈｅ－Ｃｏｎｔｒｏｌ、Ｃｏｎｔｅｎｔ－Ｔｙｐｅ、Ｃｏｎｔｅｎｔ－Ｌｅｎｇｔｈ、Ａｃｃｅｐｔ－Ｅｎｃｏｄｉｎｇ、Ａｃｃｅｐｔ、Ａｃｃｅｐｔ－Ｌａｎｇｕａｇｅ、Ａｃｃｅｐｔ－Ｃｈａｒｓｅｔ、Ｏｒｉｇｉｎ、Ｒｅｆｅｒｅｒ、Ｘ－Ｆｏｒｗａｒｄｅｄ－Ｆｏｒ等の情報が含まれ、本文（ペイロード）で構成される。

続いて、ステップＳ１０１の処理として、サーバ端末１００の制御部１３０のリクエスト処理部１３４は、ユーザ端末２００から受け付けたアクセスリクエストが不正なリクエストであるか否か判定する。ここで、リクエスト処理部１３４は、不正ルール処理部１３２と連携しながら、不正ルール格納部１２１に格納された不正ルールを参照し、ユーザ端末２００から受信したＨＴＴＰリクエスト（例えば、ＧＥＴリクエスト）に含まれるパラメータの値と、正規表現で組まれたルールとを比較し、これらがマッチングした場合にアクセスリクエストを不正と判定し、アクセスを拒否し、マッチングしない場合にアクセスリクエストを通常のアクセスと判定し、アクセスを許可することができる。

本実施形態においては、ステップＳ１０１において、所定のルールに基づいてアクセスリクエストが不正であると判定された場合（アクセス拒否の一次判定をする）、不正でないと判定された場合（アクセス許可の一次判定をする）のいずれにおいても、図７または図８に示す処理へと進む。

図８は、本発明の第一実施形態に係る、偽陰性を検知する、不正検知方法の一例を示すフローチャートである。

本図においては、ステップＳ１０１において、リクエスト処理部１３４が、アクセスリクエストを不正ルールとマッチングせず、当該リクエストが不正でないと判定した場合、さらに当該リクエストの偽陰性を検知するための処理を説明する。

まず、ステップＳ２０１の処理として、リクエスト処理部１３４は、アクセスリクエストを基に、学習データ処理部１３３と連携しながら、ＡＲＤ学習データ１２２に格納された、ＡＲＤ学習モデルを参照する。

続いて、ステップＳ２０２の処理として、リクエスト処理部１３４は、アクセスリクエストが悪性のリクエストであるか否かを判定する。例えば、リクエスト処理部１３４は、学習データ処理部１３３と連携しながら、アクセスリクエストを入力データとして、複数の攻撃ストリングに関するデータを学習させたＡＲＤ学習モデルに基づいて、アクセスリクエストの悪性の成否について判定を行う。ＡＲＤ学習モデルを介した判定処理においては、入力されたアクセスリクエストに含まれる、ヘッダーやペイロードとして含まれる文字列が、攻撃ストリングに含まれる文字列のパターン、特徴量等と類似するか否か等に基づいて、悪性の成否が判定され得る。

ステップＳ２０２の判定処理の結果、アクセスリクエストが悪性のリクエストであると判定された場合、ステップＳ２０３の処理として、リクエスト処理部１３４は、アクセスリクエストを基に、学習データ処理部１３３と連携しながら、ＳＲＤ学習データ１２３に格納された、ＳＲＤ学習モデルを参照する。

ステップＳ２０２の判定処理の結果、アクセスリクエストが悪性のリクエストでない（通常のリクエストである）と判定された場合、処理を終了する。

続いて、ステップＳ２０４の処理として、リクエスト処理部１３４は、アクセスリクエストが疑義のあるリクエストであるか否かを判定する。例えば、リクエスト処理部１３４は、学習データ処理部１３３と連携しながら、アクセスリクエストを入力データとして、正規ユーザがアクセスするアクセスリクエストに含まれるペイロード等に関連するデータを学習させて構築されたＡＲＤ学習モデルに基づいて、アクセスリクエストの疑義について判定を行う。ＳＲＤ学習モデルを介した判定処理においては、入力されたアクセスリクエストに含まれる、ヘッダーやペイロードとして含まれる文字列が、正規のアクセスリクエストに含まれる、送信元情報、アクセス先、ヘッダーフィールドに含まれる各項目またはサイト全体の特徴として、文字列のパターン、特徴量等と類似するか否か等に基づいて、疑義が判定され得る。

ステップＳ２０４の判定処理の結果、アクセスリクエストが疑義のあるリクエストであると判定された場合、ステップＳ２０５の処理として、リクエスト処理部１３４は、アクセスリクエストを偽陰性のあるリクエストと判定する。リクエスト処理部１３４は、偽陰性のあるリクエストについてユーザ端末２００に通知を行うこともできる。

ステップＳ２０４の判定処理の結果、アクセスリクエストが疑義のあるリクエストでない（通常のリクエストである）と判定された場合、ステップＳ２０６の処理に進み、通常のリクエストとして、当該リクエストに関する情報をログデータとして、記憶部１２０に格納する。

ステップＳ２０６の処理においてログデータとして格納された通常のリクエストとして判定された正規のユーザリクエストは、ステップＳ２０７において、学習データ処理部１２３により、ホワイトリストとして生成され、ＡＲＤ学習モデル生成のための学習データとして使用される。

ここで、偽陰性はウェブアプリケーションの作りによっては攻撃の特徴と似たリクエストが送信される可能性があり、ＡＲＤ学習モデルに基づいてサイトの特徴と同じようなリクエストを悪性と検知した場合に、サイトの特徴を学習させたＳＲＤモデルを用いた判定により不正アクセスを検知し、そのサイトの特徴を考慮した偽陰性を検出することができる。

図９は、本発明の第一実施形態に係る、偽陽性を検知する、不正検知方法の一例を示すフローチャートである。

本図においては、ステップＳ１０１において、リクエスト処理部１３４が、アクセスリクエストを不正ルールとマッチし、当該リクエストが通常のリクエストであると判定した場合、さらに当該リクエストの偽陽性を検知するための処理を説明する。

まず、ステップＳ３０１の処理として、リクエスト処理部１３４は、アクセスリクエストを基に、学習データ処理部１３３と連携しながら、ＳＲＤ学習データ１２２に格納された、ＳＲＤ学習モデルを参照する。

続いて、ステップＳ３０２の処理として、リクエスト処理部１３４は、アクセスリクエストが疑義のあるリクエストであるか否かを判定する。例えば、リクエスト処理部１３４は、学習データ処理部１３３と連携しながら、アクセスリクエストを入力データとして、正規ユーザがアクセスするアクセスリクエストに含まれるペイロード等に関連するデータを学習させて構築されたＡＲＤ学習モデルに基づいて、アクセスリクエストの疑義について判定を行う。ＳＲＤ学習モデルを介した判定処理においては、入力されたアクセスリクエストに含まれる、ヘッダーやペイロードとして含まれる文字列が、正規のアクセスリクエストに含まれる、送信元情報、アクセス先、ヘッダーフィールドに含まれる各項目またはサイト全体の特徴として、文字列のパターン、特徴量等と類似するか否か等に基づいて、疑義が判定され得る。

ステップＳ３０２の判定処理の結果、アクセスリクエストが疑義のあるリクエストでない（通常のリクエストである）と判定された場合、ステップＳ３０３の処理として、リクエスト処理部１３４は、アクセスリクエストを偽陽性のあるリクエストと判定する。リクエスト処理部１３４は、偽陽性のあるリクエストについてユーザ端末２００に通知を行うこともできる。

ステップＳ３０２の判定処理の結果、アクセスリクエストが疑義のあるリクエストであると判定された場合、処理を終了する。

以上のように、偽陰性と偽陽性の検出を、不正なリクエストを学習させたモデルと、正常なユーザのリクエストを学習させたモデルとを組み合わせることで、各々精度高く検知することができる。

以上、発明に係る実施形態について説明したが、これらはその他の様々な形態で実施することが可能であり、種々の省略、置換および変更を行なって実施することが出来る。これらの実施形態および変形例ならびに省略、置換および変更を行なったものは、特許請求の範囲の技術的範囲とその均等の範囲に含まれる。

１システム１００サーバ端末、１１０通信部、１２０記憶部、１３０制御部、２００ユーザ端末、ＮＷ１ネットワーク

Claims

ユーザ端末とネットワークを介して接続するサーバ端末において、前記ユーザ端末から受け付けたアクセスリクエストの不正を検知する方法であって、
前記サーバ端末の制御部は、
前記ユーザ端末からアクセスリクエストを受け付け、
前記サーバの記憶部に不正ルールデータとして格納される所定のルールに基づいて、前記アクセスリクエストが、不正なリクエストか否かを判定し、
前記アクセスリクエストが、前記所定のルールに基づいて、不正なリクエストでないと判定した場合、前記記憶部に格納される第１の学習モデルに基づいて、当該アクセスリクエストが悪性のリクエストであるか否かを判定し、
前記アクセスリクエストが、前記第１の学習モデルに基づいて、悪性であると判定した場合、前記記憶部に格納される第２の学習モデルに基づいて、当該アクセスリクエストが通常のリクエストであるかを判定し、
前記アクセスリクエストが、前記第２の学習モデルに基づいて、通常のリクエストでないと判定した場合、当該アクセスリクエストを偽陰性のあるリクエストとして検知する、方法。
請求項１に記載の方法であって、
前記アクセスリクエストが不正なリクエストであると判定した場合、前記第２の学習モデルに基づいて、当該アクセスリクエストが通常のリクエストであるか否かを判定し、
前記アクセスリクエストが通常であると判定した場合、当該アクセスリクエストを偽陽性
のあるリクエストとして検知する、方法。
請求項１に記載の方法であって、
前記所定のルールは、正規表現に基づくルールである、方法。
請求項１に記載の方法であって、
前記第１の学習モデルは、悪性のリクエストであると判定されたリクエストに含まれるデ
ータを学習することにより生成されたモデルである、方法。
請求項１に記載の方法であって、
前記第２の学習モデルは、通常のリクエストであると判定されたリクエストに含まれるデ
ータを学習することにより生成されたモデルである、方法。