《Applied Sciences》：Mechanical Behavior and Failure of Pre-Existing Crack Rock Under Compression and Creep: Experimental and Numerical Insights
编辑推荐：
服务器端请求伪造（SSRF）使攻击者能够胁迫服务器向攻击者选定的目的地发起请求，从而暴露内部服务和云元数据。本研究提出ML-SSRFinder，一个统一三个分析器的双模式框架。在被动模式中，在发送任何流量之前，一个确定性规则计算器以十四项加权特征对请求进行评分
服务器端请求伪造（SSRF）使攻击者能够胁迫服务器向攻击者选定的目的地发起请求，从而暴露内部服务和云元数据。本研究提出ML-SSRFinder，一个统一三个分析器的双模式框架。在被动模式中，在发送任何流量之前，一个确定性规则计算器以十四项加权特征对请求进行评分，并由一个监督式XGBoost分类器提供分诊先验。在主动模式中，在注入之后，一个监督式响应模型基于三十三项特征对HTTP响应进行分类，支持向量机（SVM）、XGBoost和随机森林中最强者默认给出判定，其多数投票集成保留为可选项；一个确定性内容分析模块增加对云元数据、凭证、系统文件和防火墙拦截的高精度匹配，一个模式依赖公式融合各信号。研究人员仅报告由训练代码产生的指标。在四十例请求语料上，被动分类器达到留一法准确率0.900（F1 0.933）；在二十八例响应语料上，留一法准确率分别为支持向量机0.857、随机森林、XGBoost，支持向量机排名第一并被采用为默认响应模型。没有组件是完美的；被动分类器是分诊信号而非判定，且小语料使所有估计仅为指示性而非确定性。
研究背景方面，服务器端请求伪造（SSRF）是一类Web漏洞，应用程序可被诱导向攻击者选定的目的地发起HTTP请求或其他协议请求，而非按应用程序预期逻辑行事。由于伪造请求源自服务器，它继承服务器的网络位置，常能访问公共互联网无法触及的内部服务、管理接口和云提供商元数据端点。链路本地云元数据端点（link-local cloud metadata endpoint）是高价值目标，单次成功获取即可泄露实例身份、配置和短期凭证。SSRF在漏洞赏金披露中持续为高影响类别，在OWASP Top Ten 2021版中列为A10:2021，在2025版中并入更广泛的A01损坏访问控制类别。可靠检测SSRF存在两方面困难：第一，参数是合理注入点的指标存在于请求中（如名为url的参数、获取远程内容的端点、缺乏认证），这些结构线索说明SSRF漏洞在何处可信，但不能说明利用是否成功；第二，伪造请求实际到达敏感目的地的证据存在于响应中（如元数据列表、凭证文档、内部服务横幅或防火墙拦截）。仅使用单一信号源的检测工具不完整。现有SSRF工具（SSRFmap、Gopherus、Nuclei、Burp Suite Professional）在载荷投递或带外确认方面较强，但均未在发送流量前对候选注入点进行优先级排序，也未从完整HTTP响应的丰富表示中导出分级置信度。ML-SSRFinder旨在填补这两个空白，将SSRFinder的基线比较机制与机器学习层统一，并提供每个学习组件的真实可复现指标。
研究人员开展了以下研究：提出ML-SSRFinder双模式框架，在SSRFinder注入引擎之上构建机器学习和分析扩展，提供三个协作分析器——确定性规则置信度计算器、监督式请求级分类器和主动响应分析层，由模式依赖权重的置信度融合器融合。研究使用了两个带标签语料：请求语料含四十例（三十例漏洞、十例良性，来自HackerOne公开披露、PortSwigger风格实验室合成例和合成良性例），响应语料含三十八例（排除十例无响应信号的盲带外例后剩二十八例可用，十五例漏洞、十三例良性）。另收集五个自托管漏洞应用的真实响应用于源偏差验证。所有学习组件在单一商用CPU上训练评估，使用Python 3.14及指定库版本，随机种子42，可复现脚本regenerate_results.py重新生成所有指标。研究结论包括：被动分类器留一法准确率0.900（F1 0.933），但仅为分诊先验而非判定；响应语料上支持向量机为最强单模型（留一法准确率0.857），多数投票集成未超越最佳单模型，故采用SVM为默认响应模型、集成保留为可选项；内容分析模块达到完美精确率；融合权重经敏感性分析表明判定对权重值稳健（除决策边界附近）；源偏差验证表明正信号可跨源泛化但跨源精确率下降。研究意义在于建立了混合被动与主动方法的可行性和可复现性概念验证，诚实地报告所有指标，指出小语料、交叉验证估计方差、内容分析固定目录和纯盲SSRF残余困难等局限，并规划未来工作方向。
关键技术方法方面，研究人员采用：监督式机器学习分类器（XGBoost梯度提升树、支持向量机（SVM）径向基核、随机森林）在工程化布尔和数值特征上进行训练；留一法（LOO）和分层五折交叉验证作为小语料的主要评估估计器；确定性规则置信度计算器基于十四项加权布尔特征；确定性内容分析模块对响应体和头部进行高精度模式匹配；源偏差验证采用留一源出（leave-one-source-out）交叉验证；敏感性分析对融合权重进行扰动测试；McNemar检验和bootstrap置信区间用于统计比较。样本队列来源包括HackerOne公开披露报告、PortSwigger风格合成实验室例、合成良性API调用例，以及五个自托管漏洞应用（Apache CXF、GeoServer、Grafana、PHP XXE目标、Solr）的真实响应采集。
研究结果方面：（1）规则置信度计算器：基于十四项布尔特征和基线，以分段线性变换映射为置信度百分比和风险等级，透明可解释，无需依赖，在无机器学习环境或需审计追踪时适用。（2）被动机器学习分析（请求级）：XGBoost分类器在四十例请求语料上留一法准确率0.900，精确率、召回率、F1均为0.933，五折准确率亦为0.900；留一法混淆矩阵为真负8、假正2、假负2、真正28；特征重要性集中于HTTPS方案标志、认证要求标志和url参数名标志，反映良性类组成，故被动预测仅作先验而非判定。（3）主动机器学习分析（响应级）：在二十八例响应语料上，SVM留一法准确率0.857、无假正、四假负；随机森林最保守，假正最少但假负最多；XGBoost召回率高但假正七个，五折准确率显著低于留一法，显示过拟合。多数投票集成未超越SVM，SVM在精确率加权复合评分中排名第一，被采用为默认响应模型。McNemar检验显示SVM在七个例上正确而XGBoost错误（反向仅一例），在五个例上正确而随机森林错误（反向零例）。源偏差验证表明正信号跨源泛化（每个留出正源召回率在之间），但跨源精确率下降（如vulhub负例上，同站良性十例中六例假正），合并F1从降至跨源F1至。（4）主动响应分析层：内容分析模块识别高信号类别（云元数据列表、泄露凭证、系统文件、私钥材料等）并赋予严重性，完美精确率无假正，确认为高精度确认器而非广谱检测器；置信度融合采用模式依赖权重（主动模式响应模型0.60、注入信号0.30、请求结构先验0.10），敏感性分析显示判定对权重值稳健；提供校正校准作为参考实现（calibration_v2.py），使置信度统一于概率尺度、下界可达、低等级带可达。（5）组件消融：各模块在各自语料上独立评估，内容分析模块完美精确率，被动分类器强分诊先验，规则计算器无拟合参数在全体请求语料上评估作为上限参考，完整融合系统因无语料链接请求结构、注入结果和响应于同一样本而无法端到端评估。
讨论部分总结：被动与主动分析回答不同问题并承担不同风险——被动非侵入、可大规模应用但无法确认利用；主动侵入但观察直接利用证据。被动模式适用于侦察、未授权主动测试环境和候选参数排序；主动模式适用于授权注入且以确认为目标时；实践中两者为单一工作流的互补阶段。主要局限为两个语料规模小（四十例和二十八例），留一法估计方差大，XGBoost留一法与五折差距直接说明脆弱性；被动分类器依赖HTTPS和认证特征反映良性类组成，可能不迁移至不同分布部署；留一源出验证量化跨源精确率下降；both-class留出集小（28和13例）；AWS元数据服务器头特征完美标记漏洞类但仅出现在单一源中，无法与来源分离；默认流水线置信度尺度存在下界不可达、常数内容覆盖和低等级带不可达问题，校正校准已发布但未接入默认路径；内容分析模块固定目录可被非预期编码规避；纯盲SSRF对响应模型和内容分析模块信号极少，需带外回调集成（规划为未来工作）。负责任使用方面，工具仅限授权测试，语料经消毒处理，HackerOne例仅来自公开披露报告并保留原文编辑块，合成例无真实凭证，真实响应采集未向第三方生产服务发送SSRF载荷。诚实性方面，所有学习指标由可复现脚本产生并与部署模型匹配，无组件达到完美准确率，研究人员刻意报告较弱模型结果。研究结论翻译：本研究提出ML-SSRFinder，一个统一三个协作分析器的服务器端请求伪造检测双模式框架。在被动模式中，确定性规则置信度计算器以十四项加权特征围绕基线对请求结构评分，监督式XGBoost分类器提供学习分诊先验；在四十例请求语料上分类器达到实测留一法准确率0.900和F1 0.933。在主动模式中，注入后三个模型（支持向量机、XGBoost、随机森林）基于三十三项特征对响应分类；在二十八例响应语料上实测留一法准确率分别为0.857、和，在精确率加权复合评分中排名第一的支持向量机为默认响应模型，其多数投票集成（置信度为各模型概率的留一法准确率加权平均）保留为可选项。确定性内容分析模块以高精度模式匹配补充响应模型，模式依赖融合公式结合请求结构、注入和响应信号，注入后偏向直接响应证据。框架在学习模型不可用时优雅降级至确定性核心。其主要局限为小语料、交叉验证估计的 consequently 方差、内容分析模块的固定目录以及纯盲SSRF的残余困难，各定义未来工作方向。研究人员诚实报告所有指标：无组件达到完美准确率，被动信号为分诊先验而非判定。研究人员强调这些结果应被解读为有限数据集上可行性的概念验证演示，确立混合被动与主动方法可行且可复现，而非对真实部署稳健泛化的证据，后者需要 substantially 更大和更多样的语料。
