学点算法搞安全之HMM(下篇)
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了学点算法搞安全之HMM(下篇)相关的知识，希望对你有一定的参考价值。
前言
上篇我们介绍了HMM的基本原理以及常见的基于参数的异常检测实现，这次我们换个思路，把机器当一个刚入行的白帽子，我们训练他学会XSS的攻击语法，然后再让机器从访问日志中寻找符合攻击语法的疑似攻击日志。
通过词法分割，可以把攻击载荷序列化成观察序列，举例如下：
词集/词袋模型
词集和词袋模型是机器学习中非常常用的一个数据处理模型，它们用于特征化字符串型数据。一般思路是将样本分词后，统计每个词的频率，即词频，根据需要选择全部或者部分词作为哈希表键值，并依次对该哈希表编号，这样就可以使用该哈希表对字符串进行编码。
- 词集模型：单词构成的集合，集合自然每个元素都只有一个，也即词集中的每个单词都只有一个
- 词袋模型：如果一个单词在文档中出现不止一次，并统计其出现的次数
本章使用词集模型即可。
假设存在如下数据集合：
dataset = [[‘my‘, ‘dog‘, ‘has‘, ‘flea‘, ‘problems‘, ‘help‘, ‘please‘], [‘maybe‘, ‘not‘, ‘take‘, ‘him‘, ‘to‘, ‘dog‘, ‘park‘, ‘stupid‘], [‘my‘, ‘dalmation‘, ‘is‘, ‘so‘, ‘cute‘, ‘I‘, ‘love‘, ‘him‘], [‘stop‘, ‘posting‘, ‘stupid‘, ‘worthless‘, ‘garbage‘], [‘mr‘, ‘licks‘, ‘ate‘, ‘my‘, ‘steak‘, ‘how‘, ‘to‘, ‘stop‘, ‘him‘], [‘quit‘, ‘buying‘, ‘worthless‘, ‘dog‘, ‘food‘, ‘stupid‘]]
首先生成词汇表：
1 vocabSet = set() 2 for doc in dataset: 3 vocabSet |= set(doc) 4 vocabList = list(vocabSet)
根据词汇表生成词集：
1 # 词集模型 2 SOW = [] 3 for doc in dataset: 4 vec = [0]*len(vocabList) 5 for i, word in enumerate(vocabList): 6 if word in doc: 7 vec[i] = 1 8 SOW.append(doc)
简化后的词集模型的核心代码如下：
1 fredist = nltk.FreqDist(tokens_list) # 单文件词频 2 keys=fredist.keys() 3 keys=keys[:max] #只提取前N个频发使用的单词 其余泛化成0 4 for localkey in keys: # 获取统计后的不重复词集 5 if localkey in wordbag.keys(): # 判断该词是否已在词集中 6 continue 7 else: 8 wordbag[localkey] = index_wordbag 9 index_wordbag += 1
数据处理与特征提取
常见的XSS攻击载荷列举如下：
<script>alert(‘XSS‘)</script> %3cscript%3ealert(‘XSS‘)%3c/script%3e %22%3e%3cscript%3ealert(‘XSS‘)%3c/script%3e <IMG SRC="javascript:alert(‘XSS‘);"> <IMG SRC=javascript:alert("XSS")> <IMG SRC=javascript:alert(‘XSS‘)> <img src=xss onerror=alert(1)> <IMG """><SCRIPT>alert("XSS")</SCRIPT>"> <IMG SRC=javascript:alert(String.fromCharCode(88,83,83))> <IMG SRC="jav ascript:alert(‘XSS‘);"> <IMG SRC="jav ascript:alert(‘XSS‘);"> <BODY BACKGROUND="javascript:alert(‘XSS‘)"> <BODY ONLOAD=alert(‘XSS‘)>
需要支持的词法切分原则为：
● 单双引号包含的内容 ‘XSS‘ ● http/https链接 http://xi.baidu.com/xss.js ● <>标签 <script> ● <>标签开头 <BODY ● 属性标签 ONLOAD= ● <>标签结尾 > ● 函数体 "javascript:alert(‘XSS‘);" ● 字符数字标量
代码实现举例如下：
1 tokens_pattern = r‘‘‘(?x) 2 "[^"]+" 3 |http://\\S+ 4 |</\\w+> 5 |<\\w+> 6 |<\\w+ 7 |\\w+= 8 |> 9 |\\w+\\([^<]+\\) #函数 比如alert(String.fromCharCode(88,83,83)) 10 |\\w+ 11 ‘‘‘ 12 words=nltk.regexp_tokenize(line, tokens_pattern)
另外，为了减少向量空间，需要把数字和字符以及超链接范化，具体原则为：
#数字常量替换成8 line, number = re.subn(r‘\\d+‘, "8", line) #ulr日换成http://u line, number = re.subn(r‘(http|https)://[a-zA-Z0-9\\[email protected]&/#!#\\?]+‘, "http://u", line) #干掉注释 line, number = re.subn(r‘\\/\\*.?\\*\\/‘, "", line)
范化后分词效果示例为：
#原始参数值："><img src=x onerror=prompt(0)>) #分词后： [‘>‘, ‘<img‘, ‘src=‘, ‘x‘, ‘onerror=‘, ‘prompt(8)‘, ‘>‘] #原始参数值：<iframe src="x-javascript:alert(document.domain);"></iframe>) #分词后： [‘<iframe‘, ‘src=‘, ‘"x-javascript:alert(document.domain);"‘, ‘>‘, ‘</iframe>‘] #原始参数值：<marquee><h1>XSS by xss</h1></marquee> ) #分词后： [‘<marquee>‘, ‘<h8>‘, ‘XSS‘, ‘by‘, ‘xss‘, ‘</h8>‘, ‘</marquee>‘] #原始参数值：<script>-=alert;-(1)</script> "onmouseover="confirm(document.domain);"" </script>) #分词后： [‘<script>‘, ‘alert‘, ‘8‘, ‘</script>‘, ‘"onmouseover="‘, ‘confirm(document.domain)‘, ‘</script>‘] #原始参数值：<script>alert(2)</script> "><img src=x onerror=prompt(document.domain)>) #分词后： [‘<script>‘, ‘alert(8)‘, ‘</script>‘, ‘>‘, ‘<img‘, ‘src=‘, ‘x‘, ‘onerror=‘, ‘prompt(document.domain)‘, ‘>‘]
结合词集模型，完整的流程举例如下：
训练模型
将范化后的向量X以及对应的长度矩阵X_lens输入即可，需要X_lens的原因是参数样本的长度可能不一致，所以需要单独输入。
1 remodel = hmm.GaussianHMM(n_components=3, covariance_type="full", n_iter=100) 2 remodel.fit(X,X_lens)
验证模型
整个系统运行过程如下：
验证阶段利用训练出来的HMM模型，输入观察序列获取概率，从而判断观察序列的合法性，训练样本是1000条典型的XSS攻击日志，通过分词、计算词集，提炼出200个特征，全部样本就用这200个特征进行编码并序列化，使用20000条正常日志和20000条XSS攻击识别（类似JSFUCK这类编码的暂时不支持），准确率达到90%以上，其中验证环节的核心代码如下：
1 with open(filename) as f: 2 for line in f: 3 line = line.strip(‘\\n‘) 4 line = urllib.unquote(line) 5 h = htmlParser.HTMLParser() 6 line = h.unescape(line) 7 if len(line) >= MIN_LEN: 8 line, number = re.subn(r‘\\d+‘, "8", line) 9 line, number = re.subn(r‘(http|https)://[a-zA-Z0-9\\[email protected]&/#!#\\?:]+‘, "http://u", line) 10 line, number = re.subn(r‘\\/\\*.?\\*\\/‘, "", line) 11 words = do_str(line) 12 vers = [] 13 for word in words: 14 if word in wordbag.keys(): 15 vers.append([wordbag[word]]) 16 else: 17 vers.append([-1]) 18 np_vers = np.array(vers) 19 pro = remodel.score(np_vers) 20 if pro >= T: 21 print "SCORE:(%d) XSS_URL:(%s) " % (pro,line)