本研究针对SQL注入（SQLi）检测这一Web应用安全中的关键挑战，进行了系统的文献综述以识别研究空白，并据此设计并优化了一个基于DistilBERT的堆叠集成检测管道。该管道首先对数据进行全面的预处理与分词，提取DistilBERT嵌入，然后训练多种机器学习与集成分类器，并在准确率、精确率、召回率和F1分数上进行比较排序。最终选出表现最好的三个模型（逻辑回归、XGBoost和SVM），通过一个神经元元学习器组合成堆叠集成。为了提升鲁棒性，研究者使用快速梯度符号法（FGSM）生成对抗样本对集成模型进行加固，并利用Optuna进行超参数调优。优化后的集成模型在所有报告指标上达到了99.81%的准确率，与最强的单模型（DistilBERT-SVM，99.82%）几乎持平，但在评测平台上，集成模型对完整测试集的分类耗时仅0.0136秒，而DistilBERT-SVM需1.896秒，推理延迟降低了约140倍，同时仍能在单步FGSM攻击下保持99.77%的准确率。研究的主要贡献在于设计和验证了一个以实时速度实现最先进准确率，并对单步FGSM攻击展现出鲁棒性的SQLi检测器，而非仅关注微小的准确率提升。敏感性分析进一步确认了模型的稳定性。这些发现凸显了对抗训练和堆叠元学习在构建稳健的Web应用防火墙（WAF）用于SQLi检测中的价值。为促进开放性验证，数据集、测试集和模型已在GitHub上公开。

该研究针对 Web 应用安全中检测复杂 SQL 注入（SQLi）攻击这一关键难题，提出了一种基于 BERT 与图神经网络（GNN）的混合检测模型，并针对 Web 应用防火墙（WAF）场景进行优化。方法上，先将 SQL 查询进行分词处理，通过 BERT 编码为上下文相关的向量表示，再将每个查询构造为图结构，用这些上下文嵌入初始化图中节点的特征，随后使用 GNN 对图进行分类，以判断查询是否为恶意 SQLi。模型超参数由 Optuna 自动调优，优化目标涵盖准确率、精确率、召回率和 F1 分数。实验结果显示，该模型在攻击类上达到 99.67% 的准确率、99.71% 的精确率、99.39% 的召回率和 99.55% 的 F1 分数。进一步通过对图输入进行扰动操作进行敏感性分析，得到平均敏感度分数为 0.0037，表明模型在扰动下预测结果稳定，说明其具有较好的鲁棒性。研究结果表明，将 BERT 的上下文语义理解能力与 GNN 的结构建模能力结合，能够有效提升对复杂 SQLi 攻击变体的检测效果，同时有助于降低误报率和漏报率。为便于验证，作者公开了数据集、测试集和模型实现。该工作对于 WAF 安全检测、Web 攻击识别以及基于深度学习的入侵检测系统研究具有参考价值。适合 Web 安全工程师、WAF 开发人员、以及从事基于机器学习的安全检测研究人员阅读。