hihttps是一款免费的web应用防火墙,既支持传统的WAF的OWASP特征工程检查(如SQL注入、XSS、恶意漏洞扫描、密码破解、CC、DDOS等),也支持机器采集样本无监督学习,自主对抗,重新定义web安全。今天笔者就从web安全的角度,介绍机器学习之样本采集。

一、 究竟什么是web
网络安全专家通常认为:web恶意
很多是有其特殊的URL特征,如
恶意扫描 GET /hihttps?cat ../…/../etc/passwd
SQL注入 GET /hihttps?user=123' or 1='1
XSS GET /hihttps?user=<script>alert(1);</script>a
......这类
确实有非常典型的特征,传统的waf和规则就可以防御。

那么下面的URL呢?
GET /hihttps?user=ls123
GET /hihttps?user=%0Als
……准确说,这类网络安全专家也认为是正常的请求,或者说无法辨别是否恶意***。

问题就来了,像GET /hihttps?user=ls123就一定是正常的请求吗?不一定。
比如CVE-2019-11043高位漏洞:向Nginx + PHP-FPM的服务器 URL发送 %0a 时,可以执行任意远程命令,从而控制整个服务器。也就是说:GET /hihttps?user=%0Als在某些环境就是一条成功的***,并且执行了linux的ls命令;如果服务器没安装Nginx+PHP,也可以认为是无害的。

再进一步,如果网站上根本没有hihttps这个接口,那就是恶意扫描,一定要检测出来并阻断。但传统的方法肯定不行了,那么机器学习将是唯一的办法。

二、 机器学习重新定义网络安全
和图形图像的机器学习相比,web安全采集样本的成本是最低的,因为只要把软件在服务器上运行即可采集,甚至读取web日志文件,就可以拿到大量的样本,而成本几乎是0。
**样本太稀缺了,根本无法拿完并且日新月异,从这个角度也可以说无监督或者半监督学习,才是未来web安全的发展方向。下面举例:

如果从web服务器上http:// www.hihttps.com/hihttps.html?id=123,采集到的样本参数大于99.9%都是“?id=数字”这种形态,那么可以认为下面的网址都视为
http://amyhdc.sun72.net/hihttps.html?id=123' or 1='1
http:// www.hihttps.com /hihttps.html?id=<script>alert(1);</script>
http:// www.hihttps.com /hihttps.html?id=1234567890&t=123
http:// www.hihttps.com /hihttps.html?id=abc
后面两条网址,在传统的waf是不可能检测的,只有机器学习才能准确检测出
。所以机器学习的核心是:不是我服务器上的东西,都视为非法,这样有可能阻止未知漏洞和未知。这样,web安全的概念和传统的特征工程完全不一样了,机器学习重新定义了网络安全。

三、 样本采集原则
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,样本没有被**污染。
5、完整的数据,样本包括全部的HTTP 请求头和body。

所以从web日志里面来读取样本数据是有限的,最好用WAF实际部署方式来采集。对于SSL加密的样本采集通常用反向代理方式采集,可以参考hihttps源码https://github.com/qq4108863
四、总结
1、现在的网络都基于逻辑漏洞进行APT,传统的waf规则很难对付未知漏洞和未知
2、让机器像人一样学习,具有一定智能自动对抗APT
或许是唯一有效途径。但***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,笔者将在下一篇文章中介绍怎么从样本中提取特征,自动生成对抗规则,未来WEB安全必然是AI的天下。