A Proposal of an LSTM-Based Machine Learning and Hybrid Application Security Testing Architecture for Web Vulnerability Detection
Abstract
웹 애플리케이션 환경에서 지속적으로 증가하는 취약점을 탐지하기 위해, 본 연구는 머신러닝 기반 LSTM 모델과 SAST 및 DAST를 결합한 HAST 보안 아키텍처를 제안하였다. 기존 선행 연구 분석을 통해, 웹 취약점 탐지에 대한 표준화된 데이터 셋 부재, 도메인 일반화 한계, 실시간 탐지 대응력 부족 등의 한계를 지니고 있음을 확인하였다. 이러한 한계를 고려하여 본 논문에서는 머신러닝 기반 LSTM 기반 요청 시퀀스 분석과 SAST와 DAST를 하나의 파이프라인으로 결합하는 HAST 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 통합적 대응 구조와 향후 연구를 위한 설계 기반을 제시하는 데 도움이 될 것이다.
Fields of Study & Subjects
Web Application Security Vulnerabilities
Software Testing and Debugging Techniques
Network Security and Intrusion Detection
Publication details
- Journal / source
- Journal of the Korea Society of Computer and Information
- Volume
- 31
- Issue
- 1
- Pages
- 1–12
- Publication date
- 31 January 2026
- Language
- EN