前言
上篇我們介紹了hmm的基本原理以及常見的基于參數的異常檢測實作，這次我們換個思路，把機器當一個剛入行的白帽子，我們訓練他學會xss的攻擊文法，然後再讓機器從通路日志中尋找符合攻擊文法的疑似攻擊日志。
通過詞法分割，可以把攻擊載荷序列化成觀察序列，舉例如下：
詞集/詞袋模型
詞集和詞袋模型是機器學習中非常常用的一個資料處理模型，它們用于特征化字元串型資料。一般思路是将樣本分詞後，統計每個詞的頻率，即詞頻，根據需要選擇全部或者部分詞作為哈希表鍵值，并依次對該哈希表編号，這樣就可以使用該哈希表對字元串進行編碼。
詞集模型：單詞構成的集合，集合自然每個元素都隻有一個，也即詞集中的每個單詞都隻有一個
詞袋模型：如果一個單詞在文檔中出現不止一次，并統計其出現的次數
本章使用詞集模型即可。
假設存在如下資料集合：
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']]
首先生成詞彙表：
vocabset = set()
for doc in dataset:
vocabset |= set(doc)
vocablist = list(vocabset)
根據詞彙表生成詞集：
# 詞集模型
sow = []
vec = [0]*len(vocablist)
for i, word in enumerate(vocablist):
if word in doc:
vec[i] = 1
sow.append(doc)
簡化後的詞集模型的核心代碼如下：
fredist = nltk.freqdist(tokens_list) # 單檔案詞頻
keys=fredist.keys()
keys=keys[:max] #隻提取前n個頻發使用的單詞 其餘泛化成0
for localkey in keys: # 擷取統計後的不重複詞集
if localkey in wordbag.keys(): # 判斷該詞是否已在詞集中
continue
else:
wordbag[localkey] = index_wordbag
index_wordbag += 1
常見的xss攻擊載荷列舉如下：
<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’);”>
<body background=”javascript:alert(‘xss’)”>
<body onload=alert(‘xss’)>
需要支援的詞法切分原則為：
單雙引号包含的内容 ‘xss’
<>标簽 <script>
<>标簽開頭 <body
屬性标簽 onload=
<>标簽結尾 >
函數體 “javascript:alert(‘xss’);”
字元數字标量 代碼實作舉例如下：
tokens_pattern = r”’(?x)
“[^"]+”
|http://\s+
|</\w+>
|<\w+>
|<\w+
|\w+=
|>
|\w+\([^<]+\) #函數 比如alert(string.fromcharcode(88,83,83))
|\w+
”’
words=nltk.regexp_tokenize(line, tokens_pattern)
另外，為了減少向量空間，需要把數字和字元以及超連結範化，具體原則為：
#數字常量替換成8
line, number = re.subn(r’\d+’, “8″, line)
#幹掉注釋
line, number = re.subn(r’\/\*.?\*\/’, “”, line)
範化後分詞效果示例為：
#原始參數值：”><img src=x onerror=prompt(0)>)
#分詞後：
['>', '<img', 'src=', 'x', 'onerror=', 'prompt(8)', '>']
#原始參數值：<iframe src=”x-javascript:alert(document.domain);”></iframe>)
['<iframe', 'src=', '"x-javascript:alert(document.domain);"', '>', '</iframe>']
#原始參數值：<marquee><h1>xss by xss</h1></marquee> )
['<marquee>', '<h8>', 'xss', 'by', 'xss', '</h8>', '</marquee>']
#原始參數值：<script>-=alert;-(1)</script> “onmouseover=”confirm(document.domain);”" </script>)
['<script>', 'alert', '8', '</script>', '"onmouseover="', 'confirm(document.domain)', '</script>']
#原始參數值：<script>alert(2)</script> “><img src=x onerror=prompt(document.domain)>)
['<script>', 'alert(8)', '</script>', '>', '<img', 'src=', 'x', 'onerror=', 'prompt(document.domain)', '>']
結合詞集模型，完整的流程舉例如下：
訓練模型
将範化後的向量x以及對應的長度矩陣x_lens輸入即可，需要x_lens的原因是參數樣本的長度可能不一緻，是以需要單獨輸入。
remodel = hmm.gaussianhmm(n_components=3, covariance_type=”full”, n_iter=100)
remodel.fit(x,x_lens)
整個系統運作過程如下：
驗證階段利用訓練出來的hmm模型，輸入觀察序列擷取機率，進而判斷觀察序列的合法性，訓練樣本是1000條典型的xss攻擊日志，通過分詞、計算詞集，提煉出200個特征，全部樣本就用這200個特征進行編碼并序列化，使用20000條正常日志和20000條xss攻擊識别（類似jsfuck這類編碼的暫時不支援），準确率達到90%以上，其中驗證環節的核心代碼如下：
with open(filename) as f:
for line in f:
line = line.strip(‘\n’)
line = urllib.unquote(line)
h = htmlparser.htmlparser()
line = h.unescape(line)
if len(line) >= min_len:
words = do_str(line)
vers = []
for word in words:
if word in wordbag.keys():
vers.append([wordbag[word]])
vers.append([-1])
np_vers = np.array(vers)
pro = remodel.score(np_vers)
if pro >= t:
print “score:(%d) xss_url:(%s) ” % (pro,line)
本文來自合作夥伴“阿裡聚安全”，發表于2017年05月11日 11:33.