Цифровая трансформация строительной отрасли привела к значительному увеличению количества специализированных веб-приложений, обрабатывающих конфиденциальные данные о проектах, сметах и материально-технических ресурсах. Эти системы становятся привлекательной мишенью для кибератак, среди которых SQL-инъекции остаются одной из наиболее опасных и распространенных угроз. Настоящее исследование посвящено разработке и оценке эффективности модели машинного обучения для автоматического выявления SQL-инъекций в веб-приложениях строительной индустрии. В работе применен комплексный подход, включающий сбор уникального набора данных из 15 863 запросов к отраслевым системам управления строительными проектами, глубокий анализ синтаксических и семантических особенностей вредоносного кода, характерного для данной отрасли, и создание многоуровневой классификационной модели на основе алгоритмов случайного леса и глубокого обучения. Разработанная модель продемонстрировала высокую точность (97,8%) в обнаружении вредоносных запросов, включая сложные полиморфные атаки, направленные на извлечение данных о строительных проектах, поставщиках и финансовых операциях. Уникальность предложенного решения заключается в адаптации векторизации естественного языка к специфическому контексту строительной документации и интеграции отраслевых знаний в архитектуру нейронной сети. Результаты полевого тестирования на действующих системах управления строительством подтвердили снижение ложных срабатываний на 43,2% по сравнению с традиционными системами обнаружения вторжений. Предложенный подход имеет практическую ценность для обеспечения кибербезопасности цифровой экосистемы строительных организаций и может быть интегрирован в существующие отраслевые решения.
The digital transformation of the construction industry has led to a significant increase in the number of specialized web applications that process confidential data on projects, estimates, and logistical resources. These systems are becoming an attractive target for cyber attacks, among which SQL injections remain one of the most dangerous and widespread threats. This study is devoted to the development and evaluation of the effectiveness of a machine learning model for the automatic detection of SQL injections in the web applications of the construction industry. The work uses an integrated approach that includes collecting a unique data set from 15,863 queries to industry-specific construction project management systems, in-depth analysis of the syntactic and semantic features of malicious code specific to this industry, and the creation of a multi-level classification model based on random forest and deep learning algorithms. The developed model demonstrated high accuracy (97.8%) in detecting malicious requests, including complex polymorphic attacks aimed at extracting data on construction projects, suppliers, and financial transactions. The uniqueness of the proposed solution lies in the adaptation of natural language vectorization to the specific context of construction documentation and the integration of industry knowledge into the neural network architecture. The results of field testing on existing construction management systems confirmed a 43.2% reduction in false alarms compared to traditional intrusion detection systems. The proposed approach has practical value for ensuring cybersecurity of the digital ecosystem of construction organizations and can be integrated into existing industry solutions.