从免费的WEB应用防火墙hihttps谈机器学习之样本采集

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。
但**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://www.hihttps.com/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。