从免费的物联网防火墙hihttps谈机器学习之生成对抗规则

 hihttps是一款基于MQTT的免费的物联网防火墙,同时也是web应用防火墙,既支持传统的检测功能如SQL注入、XSS、恶意漏洞扫描、密码暴力破解、CC、DDOS等),又支持无监督机器学习,自主对抗,重新定义网络安全。

今天笔者就从物联网安全的角度,介绍hihttps怎样通过机器学习自动生成对抗规则的5个过程:

 

 

一、   样本采集

MQTT是物联网loT最广泛采用的协议,腾讯百度阿里云都支持,基础协议请百度搜索“物联网防火墙himqtt源码之MQTT协议分析”。

和图形图像的人工智能一样,机器学习无论是有监督还是无监督,第一步都是先采集样本。物联网安全有先天性的样本采集优势,成本几乎为0,方法是:通过反向代理的模式采集完整的MQTT协议数据,可以参考hihttps源码https://github.com/qq4108863/himqtt/ ,样本要求如下:

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、尽量是正常流量下采集,减少样本被黑客攻击污染的可能性。

5、完整的数据,样本包括全部的MQTT协议头和body。

 

基于机器学习的物联网防火墙hiihttp是怎样工作的呢?比如有个TOPIC接口"hihttps/read",在正常情况是通过json形式访问,hihttps先把采集到样本参数保存在train训练目录下,样本文件主要内容如下:

"topic": "hihttps/read"

{ "id": 123,"token": "2458-a632-3d56-a9bf "}

{ "id": 456,"token": " ce58-a49d-b767-68ed"}

{ "id": 678,"token": "2bd8-c4d2-d324-29b3"}

{ "id": abc,"token": "45d8-35d2-e8f3-fe4a"}

{ "id": abc%20’or 1=1,"token": "2bd8-c4d2-d324-29b3 "}

……

 

当采集到的样本数量,达到一定数量(如1万),hihttps机器学习引擎就开始启动,第一步就是滤噪。

二、 滤噪

在正常的情况下,拿到的样本绝大多数是大量重复性存在的,但是也不排除样本存在黑客攻击,也就是说,个别样本可能已经被污染了,hihttps在降维和特征提取之前先过滤。

滤噪的方法通常是用聚类方法,把样本分为两类,把其中小于3%的样本去掉,通常有以下几种做法:

1:json参数过滤。比如正常情况下是{ "id": xxx,"token":xxx},那么如果有小于1%的是{ "sql": xxx,"xss":xxx},那么就要过滤这条样本。

2:名称长度过滤。一般来说,字符串长度值分布,均值μ,方差σ3,在切比雪夫不等式范围外,要过滤掉。

3:参数值长度过滤。一般来说,参数如tolken=xxx,其中xxx的长度值分布,均值μ,方差σ3,在切比雪夫不等式范围外,要过滤掉。

4:SQL注入过滤。用libinjection库查一遍,符合SQL注入特征的样本要过滤。

5:XSS攻击过滤。用libinjection库查一遍,符合XSS特征的样本要过滤。

6:其他已知攻击过滤。如ModSecurity 的OWASP规则很牛,先跑一遍过滤。

 

经过滤噪处理后,我们把样本就分为正常和异常样本,正常的如下:

 

{ "id": 123,"token": "2458-a632-3d56-a9bf "}

{ "id": 456,"token": " ce58-a49d-b767-68ed"}

{ "id": 678,"token": "2bd8-c4d2-d324-29b3"}

{ "id": abc,"token": "45d8-35d2-e8f3-fe4a"}

……

少数异常样本,如疑似SQL注入攻击则去掉

{ "id": abc%20’or 1=1,"token": "2bd8-c4d2-d324-29b3 "}

……

 

整个过程,无监督进行,可以用到的数学算法有K均值(K-Mean)、主成分分析PCA、切比雪夫不等式、高斯混合模型GMM、稀疏矩阵……

具体的算法源码可以参考https://github.com/qq4108863/AI

 

三、 降维

滤噪后最重要的一步就是降维,这是机器学习的核心。降维就是通过特定的数学算法,把复杂的东西,用特征表达向量,变为机器可以理解的东东,降维方法分为线性降维(PCA 、ICA LDA、LFA、LPP等)和非线性降维KPCA 、KICA、KDA、ISOMAP、LLE、LE、LPP、LTSA、MVU等)。

怎么让机器理解/hihttps?id=abc%20’or 1=1’这就是一条攻击呢?在物联网安全领域和图形图像完全不同,主要就是涉及自然语言处理,尤其是文本的识别,主要有下面几种模型:

1、词袋模型

文本的降维本质上涉及到了文本的表达形式。在传统的词袋模型当中,对于每一个词采用one-hot稀疏编码的形式,假设目标语料中共有N个唯一确认的词,那么需要一个长度N的词典,词典的每一个位置表达了文本中出现的某一个词。在某一种特征表达下,比如词频、binary、tf-idf等,可以将任意词,或者文本表达在一个N维的向量空间里。凭借该向量空间的表达,可以使用机器学习算法,进行后续任务处理。

这种方式被称为n-gram语法,指文本中连续出现的n个语词。当n分别为1、2、3时,又分别称为一元语法(unigram)、二元语法(bigram)与三元语法(trigram)。

 

2、维度选择方法

常用的有卡方、互信息这种统计检验的方法;还有借助机器学习模型降维的方法。比如,使用随机森林,或者逻辑回归等模型,筛选出那些在分类任务中具有较大特征重要性,或者系数绝对值较大的TOP特征作为降维后的特征集合。

 

3、主题模型

主题模型同时具备了降维和语义表达的效果,比如LSI、LDA、PLSA、HDP等统计主题模型,这些模型寻求文本在低维空间(不同主题上)的表达,在降低维度的同时,尽可能保留原有文本的语义信息。

 

4、神经网络

如卷积神经CNN、循环神经RNN等。

 

 

理论可能有点复杂,那我们直接拿4条样本来举例说明吧:

{ "id": 123,"token": "2458-a632-3d56-a9bf "}

{ "id": 456,"token": " ce58-a49d-b767-68ed"}

{ "id": 678,"token": "2bd8-c4d2-d324-29b3"}

{ "id": abc,"token": "45d8-35d2-e8f3-fe4a"}

 …..

降维的目的就是为了让机器能够理解id是什么,token又是什么,什么情况是攻击。我们先来定义一些稀疏编码:

N:整数,0-9

C:字符,a-z

X: 16进制数字,0-9 a-f

D:标点分隔符.-|

……..

{ "id": 123,"token": "2458-a632-3d56-a9bf "} 这种我们就用稀疏编码把其维度降为id=N,token=XDXDXDX,这样机器就可能理解了,哦,原来id就是数字嘛。

当然这是最简单的情况,实际场景可能很复杂,比如10.1究竟是代表数字?或者钱?或者版本号呢?就需要做更多的参数关联运算(如money或者version)。如果我们观察到的样本,大于99.9%的参数id都是数字,就可以认为{ "id": abc,"token": "45d8-35d2-e8f3-fe4a"}就是一条非法攻击,这就是机器学习能够检测未知攻击的核心原理。

实际生产环境中情况更复杂的,所以让机器达到网络专家的智能水平,还有很长的路要走,但这是必然的发展方向。

四、特征提取

下一步,hihttps就是对正常流量进行数值化的特征提取和分析。通过对大量样本进行特征分布统计,建立数学模型,特征提取包括:JSON参数个数、参数值长度的均值和方差、参数字符分布、TOPIC访问频率等等。如下表所示:

 

类别

序号

特征名称

特征描述

语法特征

1

Topic_len

TOPIC 长度

2

Path_len

路径长度

3

Path

路径最大长度

4

Path_Maxlen

路径平均长度

5

Argument_len

参数部分长度

6

Name_Max_len

参数名最大长度

7

Name_Avglen

参数名平均长度

8

Value_Max_len

参数值最大长度

9

Value_Avg_len

参数值平均长度

10

Argument_len

参数个数

11

String_Max_len

字符串最大长度

12

Number_Maxlen

连续数字最大长度

13

Path_number

路径中的数字个数

14

Unknow_len

特殊字符的个数

15

Number_Percentage

参数值中数字占有比例

16

String_Percentage

参数值字母占有比例

17

Unkown_Percentage

参数值中特殊字符的比例

18

BigString_Percentage

大写字符所占比例

20

Spacing_Precentage

空格字符所占比例

攻击特征

21

ContainIP

参数值是否包含IP

22

Sql_Risk_level

SQL 类型危险等级

23

Xss_Risk_level

Xss 类型危险等级

24

Others_Risk_level

其他类型危险等级

自然语言

25

NLP

自然语言理解处理

 

五、生成对抗规则

最后hihttps通过大量的样本采集 ,精确给这个"hihttps/read"接口参数,生成对抗规则,保存在rule目录下,和传统OWASP规则放在一起,保护物联网服务器不被攻击。

下面的一律视为攻击,只有机器学习才有可能检测未知攻击,这是网络安全专家也难以做到的。

{ "id": 123 }                                 参数缺少

{ "id": abc,"token": " ce58-a49d-b767-68ed"}    参数id值不正确

{ "admin": %0acdef,"token": "2bd8-c4d2"}      未知攻击

….....

最后总结如下:

1、整个过程完全是无监督的机器学习,有些特殊的参数,也可以由网络安全专家人为干预半监督,从而从99.9%到100%准确率的进化。

2、传统的规则很难对付未知漏洞和未知攻击。让机器像人一样学习,具有一定智能自动对抗APT攻击或许是唯一有效途径,但黑客技术本身就是人类最顶尖智力的较量,物联网安全仍然任重而道远。

3、幸好hihttps这类免费的物联网防火墙在机器学习、自主对抗中开了很好一个头,未来物联网安全很可能是特征工程+机器学习共同完成,必然是AI的天下。

posted @ 2020-02-14 12:28  hihttps  阅读(...)  评论(...编辑  收藏