8wDlpd.png
8wDFp9.png
8wDEOx.png
8wDMfH.png
8wDKte.png
从免费的WEB应用防火墙 hihttps 谈机器学习之生成对抗规则过程
aiyun 2020-7-3

hihttps是一款免费的web应用防火墙,既支持传统WAF的所有功能如SQL注入、XSS、恶意漏洞扫描、密码暴力破解、CC、DDOS等,又支持无监督机器学习,自主对抗,重新定义web安全。

今天笔者就从web安全的角度,介绍hihttps怎样通过机器学习自动生成对抗规则的5个过程:

一、样本采集

和图形图像的人工智能一样,机器学习无论是有监督还是无监督,第一步都是先采集样本。web安全有先天性的样本采集优势,成本几乎为0,方法是:通过反向代理的模式采集完整的HTTP协议数据,可以参考hihttps源码https://github.com/qq4108863/hihttps/ ,样本要求如下:

1、足够的随机化,在不同的IP地址之间随机采集。

2、足够多的样本,保证99.99%的正确率,至少需要采集数万份的样本。

3、足够的时间,至少在不同的时间段采集3-7天的样本。

4、尽量是正常流量下采集,减少样本没有被黑客攻击污染的可能性。

5、完整的数据,样本包括全部的HTTP 请求头和body。

基于机器学习的web应用防火墙hiihttp是怎样工作的呢?比如有个网站接口,在正常情况是通过http://www.hihttps.com/hihttps?id=xxx&token=xxx的形式访问,hihttps先把采集到样本如URL参数,保存在train训练目录下,样本文件主要内容如下:

GET /hihttps?id=123&token=2458-a632-3d56-a9bf

GET /hihttps?id=238&token=ce58-a49d-b767-68ed

GET /hihttps?id=523&token=2bd8-c4d2-d324-29b3

GET /hihttps?id=abc&token=2bd8-c4d2-d324-29b3

GET /hihttps?id=abc%20’or 1=1’

……

当采集到的样本数量,达到一定数量(如1万),hihttps机器学习引擎就开始启动,第一步就是滤噪。

二、 滤噪

在正常的情况下,拿到的样本绝大多数是大量重复性存在的,但是也不排除样本存在黑客攻击,也就是说,个别样本可能已经被污染了,hihttps在降维和特征提取之前先过滤。

滤噪的方法通常是用聚类方法,把样本分为两类,把其中小于3%的样本去掉,通常有以下几种做法:

1:URL参数过滤。比如正常情况下是/hihttps?id=xxx&token=xxx,那么如果有小于1%的/hihttps?sql=xxx,那么就要过滤这条样本。

2:URL长度过滤。一般来说,URL长度值分布,均值μ,方差σ3,在切比雪夫不等式范围外,要过滤掉。

3:参数值长度过滤。一般来说,参数如tolken=xxx,其中xxx的长度值分布,均值μ,方差σ3,在切比雪夫不等式范围外,要过滤掉。

4:SQL注入过滤。用libinjection库查一遍,符合SQL注入特征的样本要过滤。

5:XSS攻击过滤。用libinjection库查一遍,符合XSS特征的样本要过滤。

6:其他已知攻击过滤。如ModSecurity 的OWASP规则很牛,先跑一遍过滤。

经过滤噪处理后,我们把样本就分为正常和异常样本,正常的如下:

GET /hihttps?id=123&token=2458-a632-3d56-a9bf

GET /hihttps?id=238&token=ce58-a49d-b767-68ed

GET /hihttps?id=523&token=2bd8-c4d2-d324-29b3

GET /hihttps?id=abc&token=2bd8-c4d2-d324-29b3

 …..

少数异常样本,如疑似SQL注入攻击则去掉

GET /hihttps?id=abc%20’or 1=1’

……

整个过程,无监督进行,可以用到的数学算法有K均值(K-Mean)、主成分分析PCA、切比雪夫不等式、高斯混合模型GMM、稀疏矩阵……

具体的算法源码可以参考https://github.com/qq4108863/AI

三、 降维

滤噪后最重要的一步就是降维,这是机器学习的核心。降维就是通过特定的数学算法,把复杂的东西,用特征表达向量,变为机器可以理解的东东,降维方法分为线性降维(PCA 、ICA LDA、LFA、LPP等)和非线性降维KPCA 、KICA、KDA、ISOMAP、LLE、LE、LPP、LTSA、MVU等)。

怎么让机器理解/hihttps?id=abc%20’or 1=1’这就是一条攻击呢?在web安全领域和图形图像完全不同,主要就是涉及自然语言处理,尤其是文本的识别,主要有下面几种模型:

1、词袋模型

文本的降维本质上涉及到了文本的表达形式。在传统的词袋模型当中,对于每一个词采用one-hot稀疏编码的形式,假设目标语料中共有N个唯一确认的词,那么需要一个长度N的词典,词典的每一个位置表达了文本中出现的某一个词。在某一种特征表达下,比如词频、binary、tf-idf等,可以将任意词,或者文本表达在一个N维的向量空间里。凭借该向量空间的表达,可以使用机器学习算法,进行后续任务处理。

这种方式被称为n-gram语法,指文本中连续出现的n个语词。当n分别为1、2、3时,又分别称为一元语法(unigram)、二元语法(bigram)与三元语法(trigram)。

2、维度选择方法

常用的有卡方、互信息这种统计检验的方法;还有借助机器学习模型降维的方法。比如,使用随机森林,或者逻辑回归等模型,筛选出那些在分类任务中具有较大特征重要性,或者系数绝对值较大的TOP特征作为降维后的特征**。

3、主题模型

主题模型同时具备了降维和语义表达的效果,比如LSI、LDA、PLSA、HDP等统计主题模型,这些模型寻求文本在低维空间(不同主题上)的表达,在降低维度的同时,尽可能保留原有文本的语义信息。

4、神经网络

如卷积神经CNN、循环神经RNN等。

理论可能有点复杂,那我们直接拿4条样本来举例说明吧:

GET /hihttps?id=123&token=2458-a632-3d56-a9bf

GET /hihttps?id=238&token=ce58-a49d-b767-68ed

GET /hihttps?id=523&token=2bd8-c4d2-d324-29b3

GET /hihttps?id=abc&token=2bd8-c4d2-d324-29b3

 …..

降维的目的就是为了让机器能够理解id是什么,token又是什么,什么情况是攻击。我们先来定义一些稀疏编码:

N:整数,0-9

C:字符,a-z

X: 16进制数字,0-9 a-f

D:标点分隔符.-|

……..

GET /hihttps?id=123&token=2458-a632-3d56-a9bf 这种我们就用稀疏编码把其维度降为id=N&token=XDXDXDX,这样机器就可能理解了,哦,原来id就是数字嘛。

当然这是最简单的情况,实际场景可能很复杂,比如10.1究竟是代表数字?或者钱?或者版本号呢?就需要做更多的参数关联运算(如money=xx或者version=xx)。如果我们观察到的样本,大于99.9%的参数id=都是数字,就可以认为GET /hihttps?id=abc就是一条非法攻击,这就是机器学习能够检测未知攻击的核心原理。

实际生产环境中情况更复杂的,所以让机器达到网络专家的智能水平,还有很长的路要走,但这是必然的发展方向。

四、特征提取

下一步,hihttps就是对正常流量进行数值化的特征提取和分析。通过对大量样本进行特征分布统计,建立数学模型,特征提取包括:URL参数个数、参数值长度的均值和方差、参数字符分布、URL的访问频率等等。如下表所示:

类别 序号 特征名称 特征描述
语法特征 1 URL_len URL 长度
2 Path_len 路径长度  
3 Path 路径最大长度  
4 Path_Maxlen 路径平均长度  
5 Argument_len 参数部分长度  
6 Name_Max_len 参数名最大长度  
7 Name_Avglen 参数名平均长度  
8 Value_Max_len 参数值最大长度  
9 Value_Avg_len 参数值平均长度  
10 Argument_len 参数个数  
11 String_Max_len 字符串最大长度  
12 Number_Maxlen 连续数字最大长度  
13 Path_number 路径中的数字个数  
14 Unknow_len 特殊字符的个数  
15 Number_Percentage 参数值中数字占有比例  
16 String_Percentage 参数值字母占有比例  
17 Unkown_Percentage 参数值中特殊字符的比例  
18 BigString_Percentage 大写字符所占比例  
19 Spacing_Precentage 空格字符所占比例  
领域特征 19 ContainIP 参数值是否包含IP
20 Sql_Risk_level SQL 类型危险等级  
21 Xss_Risk_level Xss 类型危险等级  
22 Others_Risk_level 其他类型危险等级  

五、生成对抗规则

最后hihttps通过大量的样本采集,精确给这个/hihttps?id=xxx&token=xxx接口参数,生成对抗规则,保存在rule目录下,和传统WAF的ModSecurity的OWASP规则放在一起,保护网站不被攻击。

下面的一律视为攻击,只有机器学习才有可能检测未知攻击,这是网络安全专家也难以做到的。

GET /hihttps?id=123    参数缺失

GET /hihttps?id=abc&token=2458-a632-3d56-a9bf   id参数不对

GET /hihttps?admin=%0acdef         未知攻击

….....

最后总结如下:

1、整个过程完全是无监督的机器学习,有些特殊的参数,也可以由网络安全专家人为干预半监督,从而从99.9%到100%准确率的进化。

2、传统的waf规则很难对付未知漏洞和未知攻击。让机器像人一样学习,具有一定智能自动对抗APT攻击或许是唯一有效途径,但黑客技术本身就是人类最顶尖智力的较量,WEB安全仍然任重而道远。

3、幸好hihttps这类免费的应用防火墙在机器学习、自主对抗中开了很好一个头,未来web安全很可能是特征工程+机器学习共同完成,未来WEB安全必然是AI的天下。

最新回复 (0)
    • Ai云
      2
        立即登录 立即注册
返回