#研发解决方案#基于Apriori算法的Nginx+Lua+ELK异常流量拦截方案

郑昀 基于杨海波的设计文档 创建于2015/8/13 最后更新于2015/8/25
关键词:异常流量、rate limiting、Nginx、Apriori、频繁项集、先验算法、Lua、ELK

本文档适用人员:技术人员
提纲:
  1. 所谓异常流量
  2. 如何识别异常流量
  3. Apriori如何工作
  4. 如何让 Nginx 拦截可疑 IP

0x00,所谓异常流量
有害的异常流量大概分为以下几种:
  • 僵尸网络中的节点对主站发起无目的的密集访问;
  • 黑客、白帽子或某些安全公司为了做漏洞扫描,对主站各个 Web 工程发起字典式攻击;
    • 实例:大家经常会在自己工程的 Access Log 里看到大量乱七八糟的 URL;
  • 某些专门针对电商的犯罪团伙利用主站一些防御性不强的表单,或 Ajax 接口,做注册机或扫描机等;
    • 实例:2013年上半年,由于某些互联网公司用户信息泄漏,所以很多团伙开发了自动化脚本,利用几千万用户名密码,对各类电商网站,模拟登录、进入个人中心、查看账户余额、查看有无未消费的券码,如果找到了有价值的目标账户,并不动手只是记录下来,回头在淘宝上批量售卖信息给第四方,第四方再实施盗用余额或盗用未消费券;
  • 某些不明来历的爬虫会对商品列表页做无限翻页,或对主站做深度广度遍历,严重消耗系统资源,造成系统严重抖动;
因此,在这些异常流量对我们的系统或用户产生大量危害之前,系统就应该拦截。
于是,第一个问题是,如何识别异常流量。
 
0x01,如何识别异常流量
对于异常流量,一般是做 rate limiting,即对访问频次做限制,参考我的文章《电商课题:集群环境下业务限流》。Nginx 的 limit_req 模块,利用红黑树数据结构,能够限定一个 IP 访问某 URI 的频次,如 10r/s,或 100r/m,还能定义访问频次超过阈值之后的 action,如返回 403 状态码,或跳转到某个 URL 上。
但定义了“URI-访问速率阈值”的 rate limiter 偏生硬,不够灵活,不能自适应,那有没有其他的解决方案呢?
 
我们先定义一下系统设计目标:
  • 第一时间发现高频请求的 IP;
  • 第一时间发现低频且“有规律”请求的 IP,如翻页,如慢速扫描,如慢速注册;
  • 及时发现 IP 的行为相似性,识别出可疑 IP 段;
  • 区分正常搜索引擎爬虫、正常用户访问;
 
接下来,我们先了解一下关联式规则。以下内容摘自维基百科: 
关联式规则(Association Rules, AR),又称关联规则,是数据挖掘的一个重要课题,用于从大量数据中挖掘出有价值的数据项之间的相关关系。
关联规则解决的常见问题如:“如果一个消费者购买了产品A,那么他有多大机会购买产品B?”以及“如果他购买了产品C和D,那么他还将购买什么产品?”正如大多数数据挖掘技术一样,关联规则的任务在于减少潜在的大量杂乱无章的数据,使之成为少量的易于观察理解的静态资料。关联式规则多不考虑项目的次序,而仅考虑其组合。
再看一下先验算法:
先验算法(英语:Apriori algorithm)是关联式规则中的经典算法之一。
在关联式规则中,一般对于给定的项目集合(例如,零售交易集合,每个集合都列出的单个商品的购买信息),算法通常尝试在项目集合中找出至少有 C 个相同的子集。先验算法采用自底向上的处理方法,即频繁子集每次只扩展一个对象(该步骤被称为候选集产生),并且候选集由数据进行检验。当不再产生符合条件的扩展对象时,算法终止。
我们就是要用 Apriori 算法检测可疑 IP 或 IP 段。
 
0x02,Apriori 如何工作
首先,我们有很多 Web 工程,每一个工程都是集群,其次 Web 工程前面挂的 Nginx 反向代理也有不少,一个独立访问者的浏览行为可能分散在多个 Nginx 上。
因此,准实时的流量分析将基于窝窝已存在的 ELK 体系展开,即聚合各个 Nginx 上的流量。
 
什么是 ELK?
Elastic Search+Logstash+Kibana。
这几乎是互联网公司里日志聚合、索引和可视化搜索的标准解决方案,搜索时采用 Lucene 语法。
 
第一步,初始化系统
我们有一个异常流量识别系统 FlowGuard,得先配置一些规则进去。

1)配置 URI 转换规则:

观察主站 URI 设计规则,用户请求的 URI 虽然具备一定的规律性,其实往往多个 URI 对应后端同一个入口。

 /cate/canyinmeishi/all /cate/canyinmeishi/chaoyang/cate/canyinmeishi/sandadonglilu/page6 等 URI 都是跳转到某前台工程的 index.do 服务,只是所携带的参数不同。

除此之外,用户还能手动在地址栏 URI 手动输入参数,如 /cate/all/all?pageNo=24,如果直接按照用户请求的 URI 进行 Apriori 频繁集运算,将很难发现用户的请求的相似性,从而不容易发现异常流量。

因此,需要对用户请求的 URI 进行降噪处理,以便发现请求的相似性

如下图1所示,URI 转换规则包含四个属性:

  • 正则表达式:URI转换规则的正则规则,用户请求URI匹配该正则才能进行转换;
  • 转换后URI:降噪后的地址,目前设计为用户请求URI对应的后端服务,必须以 “/ ”开头;
  • 页码值索引:列表页的页码值在正则表达式中的位置,页码值越大,异常请求的可能性越大,首页值为0,非列表页值为-1;
  • 可点击到达:正常鼠标点击能否跳转到此 URI,请求不可点击到达的URI,异常请求的可能性大

URL转换规则

图1 URL转换规则

2)配置 URI 的权值:

转换后的 URI 对应的权值,权值越大,异常请求的可能性越大。

3)设置 IP 白名单:

白名单支持 IP 和 IP 段,白名单中的 IP 参与频繁集计算,但不会出现在拦截规则中。

 

第二步,生成拦截规则:

1)从 ELK 中获取 N 分钟内 Nginx access log 关键信息:remote_ip, guid, referer, uri, agent 等字段;

2)降噪请求 URI,计算每个请求的非法系数:

非法系数和URI权值,页码值成正比。如果请求 URI 不可直接点击到达,非法系数也会增加。

3)利用 Apriori 算法,生成请求的频繁项集。

3.1)对用户请求进行 IP、URI、IP_URI、IP_UUID、IP_REFERER 等分类,类似 Map-Reduce。生成 Map<String, List<RequestRecord>> 结构数据;

3.2)计算出每个分类的频繁项集。生成的 Map<String, List<RequestRecord>> 结果集中,频率大于 N% 且请求次数大于 M 次的,则满足频繁项条件。

3.3)依据历史频繁项集数据和衰减规则生成拦截规则。衰减规则分成不衰减,缓慢衰减(sin函数),匀速衰减,快速衰减(二次函数)。

 

如下图2所示,拦截规则分为 IP、URI、UUID、Referer 等列,其中 IP 为必选项,URI、UUID、Referer 等列为可选项,即 IP and (URI or Referer or Uuid or other)。

拦截规则

 

图2 拦截规则

 

点击上图2中的 IP 或者 URI 进入历史请求记录页,历史记录页有图表和列表两种展示方式,如下图3所示:

某IP历史请求列表页的趋势图展示方式

 

图3 某IP历史请求列表页的趋势图展示方式

 

第三步,提交拦截规则:

拦截规则可以手动拦截和自动拦截。目前默认手动拦截,可以通过接口提交请求来设置自动拦截还是手动拦截。

 
0x03,如何让 Nginx 拦截可疑 IP
首先,Nginx 的 lua 脚本接收到 FlowGuard 远端配置的拦截规则,存储在本地内存;
其次,lua 脚本判断请求的 IP 和 URI 是否满足拦截规则。
被拦截的请求会被引导到中间页,“用户”需要正确输入图形验证码,系统才会移除拦截规则,最后跳转到目标页面。
拦截中间页
 
图4 拦截中间页
 
参考资源:
1,维基百科,关联式规则
2,维基百科,先验算法
3,有很多基于 Apriori 算法做入侵检测和防 DDoS 攻击的论文,不一定有多先进,看一看可以启发思路,如应用非迭代Apriori算法检测分布式拒绝服务攻击
 
-EOF-
欢迎订阅我的微信订阅号『老兵笔记』,请扫描二维码关注:
老兵笔记订阅号二维码
posted @ 2015-09-23 10:25 旁观者 阅读(...) 评论(...) 编辑 收藏