基於機器學習的web異常檢測

新聞 02-12

Web防火牆是信息安全的第一道防線。隨著網路技術的快速更新，新的黑客技術也層出不窮，為傳統規則防火牆帶來了挑戰。傳統web入侵檢測技術通過維護規則集對入侵訪問進行攔截。一方面，硬規則在靈活的黑客面前，很容易被繞過，且基於以往知識的規則集難以應對0day攻擊；另一方面，攻防對抗水漲船高，防守方規則的構造和維護門檻高、成本大。

基於機器學習技術的新一代web入侵檢測技術有望彌補傳統規則集方法的不足，為web對抗的防守端帶來新的發展和突破。

機器學習方法能夠基於大量數據進行自動化學習和訓練，已經在圖像、語音、自然語言處理等方面廣泛應用。

然而，機器學習應用於web入侵檢測也存在挑戰，其中最大的困難就是標籤數據的缺乏。儘管有大量的正常訪問流量數據，但web入侵樣本稀少，且變化多樣，對模型的學習和訓練造成困難。

因此，目前大多數web入侵檢測都是基於無監督的方法，針對大量正常日誌建立模型(Profile)，而與正常流量不符的則被識別為異常。這個思路與攔截規則的構造恰恰相反。攔截規則意在識別入侵行為，因而需要在對抗中「隨機應變」；而基於profile的方法旨在建模正常流量，在對抗中「以不變應萬變」，且更難被繞過。

基於異常檢測的web入侵識別，訓練階段通常需要針對每個url，基於大量正常樣本，抽象出能夠描述樣本集的統計學或機器學習模型(Profile)。檢測階段，通過判斷web訪問是否與Profile相符，來識別異常。

對於Profile的建立，主要有以下幾種思路：

1. 基於統計學習模型

基於統計學習的web異常檢測，通常需要對正常流量進行數值化的特徵提取和分析。特徵例如，URL參數個數、參數值長度的均值和方差、參數字元分布、URL的訪問頻率等等。接著，通過對大量樣本進行特徵分布統計，建立數學模型，進而通過統計學方法進行異常檢測。

2. 基於文本分析的機器學習模型

Web異常檢測歸根結底還是基於日誌文本的分析，因而可以借鑒NLP中的一些方法思路，進行文本分析建模。這其中，比較成功的是基於隱馬爾科夫模型(HMM)的參數值異常檢測。

3. 基於單分類模型

由於web入侵黑樣本稀少，傳統監督學習方法難以訓練。基於白樣本的異常檢測，可以通過非監督或單分類模型進行樣本學習，構造能夠充分表達白樣本的最小模型作為Profile，實現異常檢測。

4. 基於聚類模型

通常正常流量是大量重複性存在的，而入侵行為則極為稀少。因此，通過web訪問的聚類分析，可以識別大量正常行為之外，小搓的異常行為，進行入侵發現。

基於統計學習模型

基於統計學習模型的方法，首先要對數據建立特徵集，然後對每個特徵進行統計建模。對於測試樣本，首先計算每個特徵的異常程度，再通過模型對異常值進行融合打分，作為最終異常檢測判斷依據。

這裡以斯坦福大學CS259D: Data Mining for CyberSecurity課程[1]為例，介紹一些行之有效的特徵和異常檢測方法。

特徵1：參數值value長度

模型：長度值分布，均值μ，方差σ2，利用切比雪夫不等式計算異常值p

特徵2：字元分布

模型：對字元分布建立模型，通過卡方檢驗計算異常值p

特徵3：參數缺失

模型：建立參數表，通過查表檢測參數錯誤或缺失

特徵4：參數順序

模型：參數順序有向圖，判斷是否有違規順序關係

特徵5：訪問頻率（單ip的訪問頻率，總訪問頻率）

模型：時段內訪問頻率分布，均值μ，方差σ2，利用切比雪夫不等式計算異常值p

特徵6：訪問時間間隔

模型：間隔時間分布，通過卡方檢驗計算異常值p

最終，通過異常打分模型將多個特徵異常值融合，得到最終異常打分：

基於文本分析的機器學習模型

URL參數輸入的背後，是後台代碼的解析，通常來說，每個參數的取值都有一個範圍，其允許的輸入也具有一定模式。比如下面這個例子：

例子中，綠色的代表正常流量，紅色的代表異常流量。由於異常流量和正常流量在參數、取值長度、字元分布上都很相似，基於上述特徵統計的方式難以識別。進一步看，正常流量儘管每個都不相同，但有共同的模式，而異常流量並不符合。在這個例子中，符合取值的樣本模式為：

數字_字母_數字

，我們可以用一個狀態機來表達合法的取值範圍：

對文本序列模式的建模，相比較數值特徵而言，更加準確可靠。其中，比較成功的應用是基於隱馬爾科夫模型(HMM)的序列建模，這裡僅做簡單的介紹，具體請參考推薦文章[2]。

基於HMM的狀態序列建模，首先將原始數據轉化為狀態表示，比如數字用N表示狀態，字母用a表示狀態，其他字元保持不變。這一步也可以看做是原始數據的歸一化(Normalization)，其結果使得原始數據的狀態空間被有效壓縮，正常樣本間的差距也進一步減小。

緊接著，對於每個狀態，統計之後一個狀態的概率分布。例如，下圖就是一個可能得到的結果。「^」代表開始符號，由於白樣本中都是數字開頭，起始符號(狀態^)轉移到數字(狀態N)的概率是1；接下來，數字(狀態N)的下一個狀態，有0.8的概率還是數字(狀態N)，有0.1的概率轉移到下劃線，有0.1的概率轉移到結束符(狀態$)，以此類推。

利用這個狀態轉移模型，我們就可以判斷一個輸入序列是否符合白樣本的模式：

正常樣本的狀態序列出現概率要高於異常樣本，通過合適的閾值可以進行異常識別。

基於單分類模型

在二分類問題中，由於我們只有大量白樣本，可以考慮通過單分類模型，學習單類樣本的最小邊界，邊界之外的則識別為異常。

這類方法中，比較成功的應用是單類支持向量機(one-class SVM)。這裡簡單介紹該類方法的一個成功案例McPAD的思路，具體方法關注文章[3]。

McPAD系統首先通過N-Gram將文本數據向量化，對於下面的例子，

首先通過長度為N的滑動窗口將文本分割為N-Gram序列，例子中，N取2，窗口滑動步長為1，可以得到如下N-Gram序列。

下一步要把N-Gram序列轉化成向量。假設共有256種不同的字元，那麼會得到256*256種2-GRAM的組合(如aa, ab, ac … )。我們可以用一個256*256長的向量，每一位one-hot的表示(有則置1，沒有則置0)文本中是否出現了該2-GRAM。由此得到一個256*256長的0/1向量。進一步，對於每個出現的2-Gram，我們用這個2-Gram在文本中出現的頻率來替代單調的「1」，以表示更多的信息：

至此，每個文本都可以通過一個256*256長的向量表示。

現在我們得到了訓練樣本的256*256向量集，現在需要通過單分類SVM去找到最小邊界。然而問題在於，樣本的維度太高，會對訓練造成困難。我們還需要再解決一個問題：如何縮減特徵維度。特徵維度約減有很多成熟的方法，McPAD系統中對特徵進行了聚類達到降維目的。

上左矩陣中黑色表示0，紅色表示非零。矩陣的每一行，代表一個輸入文本(sample)中具有哪些2-Gram。如果換一個角度來看這個矩陣，則每一列代表一個2-Gram有哪些sample中存在，由此，每個2-Gram也能通過sample的向量表達。從這個角度我們可以獲得2-Gram的相關性。對於2-Gram的向量進行聚類，指定的類別數K即為約減後的特徵維數。約減後的特徵向量，再投入單類SVM進行進一步模型訓練。

再進一步，McPAD採用線性特徵約減加單分類SVM的方法解決白模型訓練的過程，其實也可以被深度學習中的深度自編碼模型替代，進行非線性特徵約減。同時，自編碼模型的訓練過程本身就是學習訓練樣本的壓縮表達，通過給定輸入的重建誤差，就可以判斷輸入樣本是否與模型相符。

我們還是沿用McPAD通過2-Gram實現文本向量化的方法，直接將向量輸入到深度自編碼模型，進行訓練。測試階段，通過計算重建誤差作為異常檢測的標準。

基於這樣的框架，異常檢測的基本流程如下，一個更加完善的框架可以參見文獻[4]。

本文管中窺豹式的介紹了機器學慣用於web異常檢測的幾個思路。web流量異常檢測只是web入侵檢測中的一環，用於從海量日誌中撈出少量的「可疑」行為，但是這個「少量」還是存在大量誤報，只能用於檢測，還遠遠不能直接用於WAF直接攔截。一個完備的web入侵檢測系統，還需要在此基礎上進行入侵行為識別，以及告警降誤報等環節。

2017阿里聚安全演算法挑戰賽將收集從網上真實訪問流量中提取的URL，經過脫敏和混淆處理，讓選手利用機器學習演算法提高檢測精度，真實體驗這一過程。並有機會獲得30萬元獎金，奔赴加拿大參加KDD----國際最負盛名的數據挖掘會議！

點擊閱讀原文查看報名地址