취약점 탐지를 위한 LSTM 기반 머신러닝과 하이브리드 애플리케이션 보안 테스트 아키텍처 제안
A Proposal of an LSTM-Based Machine Learning and Hybrid Application Security Testing Architecture for Web Vulnerability Detection
7
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
웹 애플리케이션 환경에서 지속적으로 증가하는 취약점을 탐지하기 위해, 본 연구는 머신러닝기반 LSTM 모델과 SAST 및 DAST를 결합한 HAST 보안 아키텍처를 제안하였다. 기존 선행 연구분석을 통해, 웹 취약점 탐지에 대한 표준화된 데이터 셋 부재, 도메인 일반화 한계, 실시간 탐지대응력 부족 등의 한계를 지니고 있음을 확인하였다. 이러한 한계를 고려하여 본 논문에서는 머신러닝 기반 LSTM 기반 요청 시퀀스 분석과 SAST와 DAST를 하나의 파이프라인으로 결합하는HAST 통합 구조를 설계하였다. 제안한 아키텍처는 실시간 요청 탐지, 정적·동적 분석 연계, 재학습 가능한 확장 구조를 포함함으로써 웹 애플리케이션 환경 변화와 새로운 공격 패턴에 점진적으로 대응할 수 있는 구조적 방향성을 제시하였다. 연구의 결과는 웹 취약점 탐지를 위한 통합적대응 구조와 향후 연구를 위한 설계 기반을 제시하는 데 도움이 될 것이다.
Abstract
This study proposes an HAST architecture that integrates a machine learning–based LSTM model with SAST and DAST to address the growing number of vulnerabilities in web application environments. An analysis of previous studies reveals several limitations in existing web vulnerability detection approaches, including the lack of standardized datasets, limited domain generalization, and insufficient responsiveness to real-time attack scenarios. To overcome these challenges, the proposed architecture combines LSTM-based request sequence analysis with a unified SAST–DAST pipeline. The proposed HAST structure supports real-time request detection, coordinated static and dynamic analysis, and a retrainable expansion mechanism, enabling a stepwise response to evolving web application environments and emerging attack patterns. The results are expected to support the development of an integrated response framework for web vulnerability detection and to provide a structural design foundation for future research.