随着Web2.0时代的到来,网络科技飞速发展,与此同时,网络安全问题也日渐突出。在OWASP连续十年的漏洞榜单上,注入类漏洞稳居榜首,而SQL注入漏洞又是注入类漏洞中最为常见的表现形式。该漏洞可能导致信息和数据泄露,进而造成巨大的损失,又因其复杂的漏洞形式和多变的攻击方式,围绕SQL注入展开的攻防,成为网络安全的重要研究课题,众多安全研究人员和安全厂商投入大量的时间和精力进行研究。对于SQL注入的检测,国内外成熟的商业产品,主要通过日志流量分析,并结合规则匹配的方式进行的,但随着攻防的升级,已无法满足网络安全的需求。随着机器学习的蓬勃发展,安全行业也开始结合相关技术,开展入侵检测研究。通过将流量数据转化为文本信息,再交由学习模型进行分析处理,实现入侵检测。但是检测效果参差不齐,这主要是以下两方面造成的:数据集混淆程度欠缺,特征向量提取不完善。根据上述分析,本文依次从下列三个角度开展研究工作:(1)首先,进行Web安全相关研究,着重研究SQL注入漏洞的成因和攻击方式。对开源工具SQLMAP进行二次开发和利用,并结合更有效的样本生成方式,生成质量更高的SQL注入样本数据。之后,结合实战的WAF及IDS绕过技术,生成更高效的变种样本,提高了样本数据的混淆程度及质量。(2)其次,融合多样性变种样本。使用不同维度卷积神经网络进行检测对比,并使用不同训练集进行对比,得到更为有效的检测模型。(3)最后,基于卷积神经网络算法设计并实现了SQL注入智能检测模型。并且通过不同模型参数的多次迭代,实现模型优化。极大的解决了数据集样本有效性不高的问题,同时通过不同维度的比较,提高了SQL注入攻击的检测精度,有效地降低了模型过拟合的问题。本文最后从不同维度卷积神经网络和乱序数据集两方面进行实验论证:通过对SQLMAP二次开发后得到的混淆程度和可用性更高的SQL注入Payload,在多组神经网络模型的对比下,验证本文检测模型的优势。通过不同黑白样本集的差异,分别对比了深度学习模型的性能和差异,验证本文检测模型的优势,从而验证检测的合理性和可用性。