API-attack-detection-with-AI

Détection des attaques SQL/XSS sur API Web avec intelligence artificielle / machine learning

Ce projet vise à détecter les injections SQL et XSS dans des requêtes/params d’API en utilisant du machine learning.

Présentation du projet

Ce projet vise à détecter les injections SQL et XSS dans des requêtes et paramètres d’API en utilisant des techniques de Machine Learning.
L’objectif est de créer un pipeline simple permettant de :

• préparer et nettoyer un dataset de requêtes d’API,
• entraîner un modèle capable de classer automatiquement les requêtes comme benign, sql_injection ou xss,
• fournir un modèle réutilisable pour des tests ou une future API de détection en temps réel.

---

Workflow du projet

1. Préparer le dataset
   Le fichier generated_payloads.csv dans le dossier data/ contient des exemples de requêtes d’API étiquetées (sql_injection, xss, benign) provenant de sources externes comme Kaggle ou générées localement.

2. Nettoyage et découpage du dataset
   ```bash python scripts/clean_and_split.py

Le script :

• supprime les doublons et les lignes vides,

• nettoie les textes (espaces, retours à la ligne, tabulations),

• normalise les labels,

et il génère :

• data/combined.csv : dataset complet nettoyé,

• data/train.csv : données d’entraînement (80%),

• data/test.csv : données de test (20%).

1. Entraînement du modèle
   ```bash python scripts/train_model.py

Le modèle utilise un pipeline ML :

TF-IDF Vectorizer (TfidfVectorizer) : transforme les requêtes texte en vecteurs numériques, en capturant l’importance des mots ou symboles suspects.

Logistic Regression (LogisticRegression) : classifieur supervisé qui apprend à associer les vecteurs TF-IDF aux classes sql_injection, xss ou benign.

Après l’entraînement, le modèle est sauvegardé dans le dossier models, il peut ensuite être utilisé pour prédire la classe d’une nouvelle requête.

1. Tests automatiques
   ```bash pytest -v -s tests/test_pipeline.py

Le test vérifie que :

• le modèle est chargeable,

• il prédit correctement plusieurs exemples simples,

• aucune erreur de pipeline ne survient.

1. Dépendances Python
   ```bash pip3 install -r requirements.txt

Librairies

• pandas

• scikit-learn

• joblib

• pytest

1. Notes
   Les scripts sont conçus pour être exécutés localement, dans un environnement Python 3.13+ avec les dépendances listées.