采用HAN网络模型的WebShell检测

Posted 2021-04-02 小豹讲安全

引言

WebShell是一种常见的Web攻击技术，其基于Web脚本开发，主要由php、jsp、asp等语言编写，由攻击者通过文件上传、SQL注入等攻击手段植入Web应用内。常用于权限维持、数据窃取、内网探测等攻击目的。

通过对Web服务器植入WebShell，攻击者可以获得网站后台权限，进而隐蔽的对服务器进行远程控制。WebShell主要攻击行为有信息嗅探、权限维持、数据窃取和篡改、网络代理等。

WebShell主要有以下几种常见的隐蔽手段：

• 字符串编码与构造

即对脚本中的关键函数进行编码，如Base64、Rot13等方式，在运行的时候再进行解码，如此可以逃避关键字匹配的检测。此外还可对字符串进行混淆处理，在运行时重新构造。

• 代码混淆

在脚本中加入大量正常且无效的代码或html进行混淆，以逃避基于统计学的检测。

• 利用反射机制

通过Web语言支持的反射或序列化机制，逃避关键字的特征匹配。

• 文件包含

将WebShell脚本拆分为多个文件，再通过文件包含汇总。

• 流量加密

利用加密或编码技术对请求参数进行加密，以隐藏HTTP请求中的指令关键字。

• 隐蔽通道

例如将指令隐藏在脚本文件名中，根据脚本文件名执行指令。或者可以通过HTTP会话机制将指令隐藏在会话属性中。

针对WebShell的检测方法主要有四种：基于文件的检测、基于流量的检测、基于行为的检测、基于日志的检测。

• 基于文件的检测

基于文件的检测即直接分析源文件，通过对文件属性、内容、关键字进行静态分析。主要提取的文本特征包括API函数名称、变量名称、信息熵、最长字符串、文件压缩比、重合指数、字符串长度差等。或者可以依据不同的脚本语言，提取脚本编译的操作码的特征进行检测分析。

• 基于流量的检测

基于流量的检测通过分析攻击者与WebShell的交互流量中提取特征并进行检测。

• 基于行为的检测

基于行为的检测是对WebShell在运行中的异常行为进行分析，检测脚本运行时的文件读写、网络监听、数据库连接等行为。

• 基于日志的检测

基于日志的检测通过分析Web系统日志， 对日志的文本特征、访问统计特征、页面请求特征和页面关联特征等进行检测。

本次WebShell检测通过直接对Web脚本进行分析，实现对WebShell的检测。

Hierarchical Attention Networks

由于WebShell脚本本身就是文本文件，对Web脚本进行正常脚本和恶意脚本的分类判断很容易让人联想到NLP领域中的文本分类、情感分类等问题，自然而然可以考虑采用NLP的语言分类模型对Web脚本进行分类检测。

在WebShell检测中，早期的基于文件的检测通过提取文本特征，或者基于OPCode(操作码)、AST(抽象语法树)等信息，采用机器学习的方式进行分类。可以发现，采用信息熵、高危函数名称、重合指数等特征提取的方式比较依赖于脚本本身语言类型，尤其基于OPCode的方式更是依赖于语言本身，单一的机器学习模型难以对多种文件类型的脚本进行准确分类，况且提取特征信息的操作较为繁琐。

NLP领域中，文本分类模型已经发展的较为成熟，常见的模型比如有fastText、textCNN、charCNN、Bi-LSTM、RCNN、基于Transformer、基于预训练模型（BERT、GPT）等等。

此次WebShell检测将采用HAN（Hierarchical Attention Networks for Document Classification）模型。由名称可知，HAN是一种多层注意力模型。文本分类模型的目的是从单词中得出句子的含义，然后从这些句子中得出文档的含义，最后根据文本所描述的内容进行分类。但是并非所有单词都同样重要，其中的某些关键词比其他词汇更能描述句子。因此，HAN使用注意力模型，以便句子向量可以更多地关注“重要”单词。在对句子向量的处理中使用相同的方式，最终的向量体现了整个文档的要旨。HAN有两个显著特点：

• 利用文档原有的层次结构（词--句子--文档），即先使用单词的词向量表示句子，在此基础上以句子向量构建文本的信息表示。

• 由于在文档中，句子对文档的重要性贡献有差异，在句子中，每个单词对句子的重要性也有差异。因此模型分别在Word Level和Sentence Level中采用注意力机制（Attention），从而对文本中重要性不同的句子和词分配不同的“注意力” 。

Web脚本的每行代码类似于自然语言文档中的句子，每行代码中的关键字、函数名、变量名等信息类似于单词，不同的标识信息具有不同的意义。而且行间代码中具有语法结构信息，类比文档中的不同句子间的语义结构。由此可以尝试采用HAN网络模型对WebShell进行检测。

HAN模型结构如下：

由图可见，HAN包含一个词向量编码器、一个词级注意力层、一个句子序列编码器、一个句子级注意力层。

• Word Encoder

通过GloVe、Word2Vec等方式将词转化成对应的词向量，然后用Bi-GRU网络，可以将单词的两个方向，即正向和反向的前后文信息结合起来，获得隐藏层输出。

• Word Attention

通过Attention机制描述每个单词的重要性，即抽取句子中相对重要的单词，最后得到词向量的加权和，组成句子的向量表示。

• Sentence Encoder

得到了句子向量表示后，与Word Encoder类似，对句子采用Bi-GRU获取句子上下文的信息表示。

• Sentence Attention

同样对所有句子采取Attention操作，获得每个句子的加权平均作为整个输入的特征向量。

• Document Classification

通过Softmax层进行最后的文本分类。

简单概述一下注意力机制，Attention常用的基本公式如下：

其中 Q ( q u e r y ) 、 K ( k e y ) 、 V ( v a l u e ) 都是向量，由单词转化的嵌入向量（Embedding）H矩阵通过不同的权重 W q ， W k ， W v 映射得到。通过 A = Q K T 将 q u e r y 与 k e y 进行相似性度量，求得的相似性度量进行缩放标准化，最后通过 S o f t m a x 激活函数并点乘 V a l u e 值得到加权输入向量的评分，得到最终的输出结果。

Attention核心代码

pythonfrom tensorflow.keras import backend as Kfrom tensorflow.keras import initializers, regularizers, constraintsfrom tensorflow.keras.layers import Layerclass Attention(Layer):    def __init__(self, step_dim,                 W_regularizer=None, b_regularizer=None,                 W_constraint=None, b_constraint=None,                 bias=True, **kwargs):        self.supports_masking = True        self.init = initializers.get('glorot_uniform')        self.W_regularizer = regularizers.get(W_regularizer)        self.b_regularizer = regularizers.get(b_regularizer)        self.W_constraint = constraints.get(W_constraint)        self.b_constraint = constraints.get(b_constraint)        self.bias = bias        self.step_dim = step_dim        self.features_dim = 0        super(Attention, self).__init__(**kwargs)    def build(self, input_shape):        assert len(input_shape) == 3        self.W = self.add_weight(shape=(input_shape[-1],),                                 initializer=self.init,                                 name='{}_W'.format(self.name),                                 regularizer=self.W_regularizer,                                 constraint=self.W_constraint)        self.features_dim = input_shape[-1]        if self.bias:            self.b = self.add_weight(shape=(input_shape[1],),                                     initializer='zero',                                     name='{}_b'.format(self.name),                                     regularizer=self.b_regularizer,                                     constraint=self.b_constraint)        else:            self.b = None        self.built = True    def compute_mask(self, input, input_mask=None):        return None    def call(self, x, mask=None):        features_dim = self.features_dim        step_dim = self.step_dim        e = K.reshape(K.dot(K.reshape(x, (-1, features_dim)), K.reshape(self.W, (features_dim, 1))), (-1, step_dim))         if self.bias:            e += self.b        e = K.tanh(e)        a = K.exp(e)        if mask is not None:            a *= K.cast(mask, K.floatx())        a /= K.cast(K.sum(a, axis=1, keepdims=True) + K.epsilon(), K.floatx())        a = K.expand_dims(a)        c = K.sum(a * x, axis=1)        return c    def compute_output_shape(self, input_shape): return input_shape[0], self.features_dim

HAN核心代码

pythonfrom tensorflow.keras import Input, Modelfrom tensorflow.keras.layers import Embedding, Dense, Dropout, Bidirectional, LSTM, TimeDistributedclass HAN(object):    def __init__(self, maxlen_sentence, maxlen_word, max_features, embedding_dims,                 class_num=5,                 last_activation='softmax'):        self.maxlen_sentence = maxlen_sentence        self.maxlen_word = maxlen_word        self.max_features = max_features        self.embedding_dims = embedding_dims        self.class_num = class_num        self.last_activation = last_activation    def get_model(self):        # Word part        input_word = Input(shape=(self.maxlen_word,))        x_word = Embedding(self.max_features, self.embedding_dims, input_length=self.maxlen_word)(input_word)        x_word = Bidirectional(LSTM(128, return_sequences=True))(x_word)  # LSTM or GRU        x_word = Attention(self.maxlen_word)(x_word)        model_word = Model(input_word, x_word)        # Sentence part        input = Input(shape=(self.maxlen_sentence, self.maxlen_word))        x_sentence = TimeDistributed(model_word)(input)        x_sentence = Bidirectional(LSTM(128, return_sequences=True))(x_sentence)  # LSTM or GRU        x_sentence = Attention(self.maxlen_sentence)(x_sentence)        output = Dense(self.class_num, activation=self.last_activation)(x_sentence)        model = Model(inputs=input, outputs=output) return model

WebShell检测

首先从GitHub中收集并整理数据集，最后获得8296个正常样本，5225个WebShell样本。正常样本中php类型有6921个，jsp类型有584个，aspx类型有632个，asp类型有159个。WebShell样本中php类型有3386个，jsp类型有711个，aspx类型有371个，asp类型有757个。对数据集依据比例进行切分，获得相应的训练集和测试集。

接下来对样本进行预处理，先对Web脚本文本内容进行正则匹配，去除例如注释语句等冗余信息。然后对样本进行分词，分词的标准以函数名、变量名等关键字的结构信息进行切分。采用训练集的样本进行Word2Vec的词向量训练。

在训练阶段，首先对每个样本取固定长度的代码行，将文档内容逐字通过Word2Vec预训练模型词向量化，最后将并通过HAN模型进行训练。在10轮左右的epoch后取得较为稳定的结果，对1000个测试样本进行测试后结果如下：

AUC: 0.99537504ACC: 0.99519231Recall: 0.99620133F1-score: 0.99384178Precision: 0.99149338

还可以。

不足和提高

1. 数据样本可以根据业务情况进行针对性筛选。

2. 输出分类错误的样本进行分析，并依此优化模型。

3. 配合规则或机器学习方式，从多角度深化检测手段，提高检测器的泛化能力。

参考文献

1. Yang Z, Yang D, Dyer C, et al. Hierarchical attention networks for document classification[C]//Proceedings of the 2016 conference of the North American chapter of the association for computational linguistics: human language technologies. 2016: 1480-1489.

2. 张昊祎. 基于语义分析和神经网络的 WebShell 检测方法[J]. 空间网络安全, 2019, 10(2): 1-7.

 3. 周龙. 基于 LSTM 的 Webshell 检测方法研究[D]. 武汉邮电科学研究院, 2020.

猎豹安全中心技术分享频道

  

19.