学点算法搞安全之HMM（上篇）

学点算法搞安全之HMM（上篇）

前言

隐式马尔可夫（HMM），也称韩梅梅，广泛应用于语音识别、文本处理以及网络安全等领域，2009年I Corona ，D Ariu ，G Giacinto三位大神关于HMM应用于web安全领域的研究论文，让HMM逐渐被各大安全厂商重视。

本篇重点介绍HMM最常见同时也比较基础的基于url参数异常检测的应用，后继文章将介绍HMM结合NLP技术在XSS、SQL、RCE方面的应用。”多一个公式少一半读者”，所以霍金的《时间简史》和《明朝那些事》一样畅销，我的机器学习系列文章都是尽量少讲概念，多讲例子，希望可以让机器学习被更多人了解和使用。

HMM基础原理

现实世界中有一类问题具有明显的时序性，比如路口红绿灯、连续几天的天气变化，我们说话的上下文，HMM的基础假设就是，一个连续的时间序列事件，它的状态受且仅受它前面的N个事件决定，对应的时间序列可以成为N阶马尔可夫链。

假设今天是否有雾霾只由前天和昨天决定，于是就构成了一个2阶马尔可夫链，若昨天和前天都是晴天，那么今天是晴天概率就是90%。

稍微再复杂点，假设你想知道2000公里外一个城市的雾霾情况，但是你没法直接去当地看到空气情况，手头只有当地风力情况，也就是说空气状态是隐藏的，风力情况是可观察的，需要观察序列推测隐藏序列，由于风力确实对雾霾情况有较大影响，甚至可以假设风力大的情况下90%概率是晴天，所以通过样本学习，确实可以达到从观察序列推测隐藏序列的效果，这就是隐式马尔可夫。

URL参数建模

常见的基于GET请求的XSS、SQL注入、RCE，攻击载荷主要集中在请求参数中，以XSS为例：

/0_1/include/dialog/select_media.php?userid=%3Cscript%3Ealert(1)%3C/script%3E

正常的http请求中参数的取值范围都是确定的，这里说的确定是指可以用字母数字特殊字符来表示，并非说都可以用1-200这种数值范围来确定。以下面的几条日志为例：

/0_1/include/dialog/select_media.php?userid=admin123
/0_1/include/dialog/select_media.php?userid=root
/0_1/include/dialog/select_media.php?userid=maidou0806
/0_1/include/dialog/select_media.php?userid=52maidou
/0_1/include/dialog/select_media.php?userid=wjq_2014
/0_1/include/dialog/select_media.php?userid=mzc-cxy

肉眼观察可以归纳出userid字段的由字母数字和特殊字符’-_’组成,如果你足够强大可以看完上万的正常样本，甚至都可以总结取值范围为[0-9a-zA-Z-_]{4,}。如果有上亿的日志上百万的参数，人工如何完成？这时候机器学习可以发挥作用了。

以uid字段为例，uid的取值作为观察序列，简化期间可以对uid的取值进行泛化，整个模型为3阶HMM，隐藏序列的状态只有三个S1、S2、S3:

[a-zA-Z]泛化为A

[0-9]泛化为N

[\-_]泛化为C

其他字符泛化为T

admin123泛化为AAAAANNN

root泛化为AAAA

wjq_2014泛化为AAAACNNN

隐藏序列就是S1-S4三个状态间循环转化，这个概率称为转移概率矩阵，同时四个状态都以确定的概率，以观察序列中的A、C、N、T四个状态展现，这个转换的概率称为发射概率矩阵。HMM建模过程就是通过学习样本，生成这两个矩阵的过程。生产环境中泛化需谨慎，至少域名、中文等特殊字符需要再单独泛化。

数据处理与特征提取

由于每个域名的每个url的每个参数的范围都可能不一样，有的userid可能是[0-9]{4，}，有的可能是[0-9a-zA-Z-_]{3,}，所以需要按照不同域名的不同url不同参数分别学习。泛化过程如下：

def etl(str):
vers=[]
for i, c in enumerate(str):
c=c.lower()
if ord(c) >= ord('a') and ord(c) <= ord('z'):
vers.append([ord('A')])
elif ord(c) >= ord('0') and ord(c) <= ord('9'):
vers.append([ord('N')])
else:
vers.append([ord('C')])
return np.array(vers)

友情提示，为了避免中文等字符的干扰，ASCII大于127或者小于32的可以不处理直接跳过。

从weblog中提取url参数，需要解决url编码、参数抽取等恶心问题，还好python有现成的接口：

with open(filename) as f:
for line in f:
#切割参数
result = urlparse.urlparse(line)
# url解码
query=urllib.unquote(result.query)
params = urlparse.parse_qsl(query, True)
for k, v in params:
#k为参数名，v为参数值

友情提示，urlparse.parse_qsl解析url请求切割参数时，遇到’;’会截断，导致获取的参数值缺失’;’后面的内容，这是个大坑，生产环境中一定要注意这个问题。

训练模型

安装hmmlearn

hmmlearn是python下的一个HMM实现，是从scikit-learn独立出来的一个项目，依赖环境如下：

Python >= 2.6

NumPy (tested to work with >=1.9.3)

SciPy (tested to work with >=0.16.0)

scikit-learn >= 0.16

安装命令如下：

pip install -U --user hmmlearn

训练模型

将泛化后的向量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。

remodel = hmm.GaussianHMM(n_components=3, covariance_type="full", n_iter=100)

remodel.fit(X,X_lens)

训练样本得分为：

score:16 query param:admin123

score:9 query param:root

score:21 query param:maidou0806

score:16 query param:52maidou

score:15 query param:wjq_2014

score:12 query param:mzc-cxy

模型验证

HMM模型完成训练后通常可以解决三大类问题，一类就是输入观察序列获取概率最大的隐藏序列，最典型的应用就是语音解码以及词性标注；一类是输入部分观察序列预测概率最大的下一个值，比如搜索词猜想补齐等；另外一类就是输入观察序列获取概率，从而判断观察序列的合法性。参数异常检测就输入第三种。

我们定义T为阈值，概率低于T的参数识别为异常，通常会把T定义比训练集最小值略大，在此例中可以取10。

with open(filename) as f:
for line in f:
# 切割参数
result = urlparse.urlparse(line)
# url解码
query = urllib.unquote(result.query)
params = urlparse.parse_qsl(query, True)
for k, v in params：
if ischeck(v) and len(v) >=N :
vers = etl(v)
pro = remodel.score(vers)
if pro <= T:
print "PRO:%d V:%s LINE:%s " % (pro,v,line)

以userid=%3Cscript%3Ealert(1)%3C/script%3E为例子，经过解码后为<script>alert(1)</script>，范化后为TAAAAAATAAAAATNTTTAAAAAAT，score为-13945，识别为异常。

总结

本文介绍了HMM在web安全的基础应用，由于仅依赖参数的文本特征进行异常检测，虽然理论上只要白样本足够多确实可以识别几乎所有基于GET请求参数的未知攻击，但是由于缺乏语义层面异常检测，误报率比较高。另外扫描器等对结果的影响很大，如何进一步提升检测能力，请看下篇。