利用机器学习检测HTTP恶意外连流量

 

1.    背景

攻击者为控制远程的受害主机，必定有一个和被控主机的连接过程，一般是通过在被控主机中植入后门等手段，由受控主机主动发出连接请求。该连接产生的流量就是恶意外连流量，如图1.1所示。目前检测恶意外连流量的主要方式有两种，一种是基于黑名单过滤恶意域名，另一种是使用规则匹配恶意外连流量。这两种方案都有一定的局限性，基于黑名单过滤的方案，只能识别连接已知恶意网站时的恶意外连流量，对于域名变化没有任何感知。而基于特征检测的方案，需要安全从业人员逐一分析样本，会消耗较大的人力，并且难以检测变种的恶意外连流量。

作为已有技术的补充，可以通过机器学习来检测恶意流量。利用机器学习来发现恶意流量间的共性，并以此为依据检测恶意流量，一个好的算法可以大大减少安全从业人员的工作量。

现在已经有不少关于采用机器学习检测恶意流量的文献资料，思路也各有千秋，如有根据流量内容进行检测的，还有根据流量变化来进行检测的。本文主要受ExecScent这篇论文的启发。

 

图1.1 恶意外连流量示意图

 

2.    数据收集

实验室目前积累了大量的恶意样本，部分如图2.1所示。通过在沙箱中运行恶意样本收集产生的外连HTTP流量。这些外连流量中只有部分是恶意的，中间仍掺杂着不少白流量。通过人工分析确认，将产生的外连流量分为恶意流量和白流量。最后利用已积累的威胁情报信息将恶意流量打上恶意家族信息。最终用于训练的数据如图2.2所示。

 

图2.1 恶意样本示意图

图2.2 用于训练的数据信息

 

3.数据分析

通过分析采集到的恶意外连流量信息，发现来自同一家族的恶意外连流量间具有明显的相似性。如图3.1是通过两个不同的恶意样本产生的恶意外连信息，经过人工分析，判定两个恶意流量均是来自LokiBot恶意家族。可以看到两个流量间的相似性极高。图3.2则是两个来自Generic Trojan家族的恶意外连流量，同样有极高的结构相似性。

分析同一家族恶意流量，发现同一家族的恶意流量有以下特点①其url路径结构一致，具体路径信息尽管不同，但是都具有相同的数据类型。比如图3.1中url路径中的bugs和job都是字符串，图3.2url中1b50500dad和106042bd2e都是16进制小写类型；②url的参数相似；③请求头字段基本相同，且内容高度重合。

由于同一家族的恶意外连流量具有上述的相似性，因此可以使用聚类算法将同一家族的恶意流量聚为一类，提取它们的共性模板，最后利用模板检测新的恶意外连流量。

 

图3.1 LokiBot家族恶意外连流量

图3.2 Generic Trojan家族恶意外连流量

 

4.算法实现

算法主要包括恶意http外连流量模板生成和未知http流量检测两个部分，两个部分的流程分别见图4.1和图4.6。下面分别介绍这两个部分。

 

4.1 模板生成

模板生成流程包括请求头字段提取，泛化，相似性计算，层次聚类，生成恶意外连流量模板5个步骤，如图4.1所示。

 

图4.1模板生成流程

 

4.1.1    提取请求头字段

将http流量划分为url、url参数，user-agent、host、content-length等结构化字段。方便后续处理。

 

4.1.2 泛化

同一家族的恶意流量结构一致，但是有部分具体细节不同。将http流量中的数字部分、字母部分、字母数字混合部分、十六进制部分、base64部分分别用特殊字符替换，取消它们的差异性部分。比如对图3.2中流量的url部分泛化，将字母转换为*，十六进制部分转换为@，数字部分转换为$，泛化后的效果如图4.2，可以看，通过泛化，两个url的结构特征得以保留，而具体内容的差异则被忽略了。

 

图4.2 泛化效果

 

4.1.3 相似度计算

为聚类恶意流量，需要计算流量间的相似度，便于后续提取恶意流量模板。在计算相似度的过程中，恶意流量中不同字段的重要性是不同的。如图3.2中所示的恶意流量，明显url部分更加特别，不易与白流量中的url重叠。而Accept, User-Agent等字段内容则是常见值，无论是否是恶意流量都有可能出现。因此，在计算图3.2所示流量的相似度时，url应该有更大的权重，即url相似时表明它们更有可能来自同一恶意家族。而Accept，User-Agent等字段则应该分配较小的权重，因为难以通过这些字段内容区分恶意流量和白流量。

为了更好的决定各个字段在相似度中应该占有的权重，需评估每个字段的特异性，字段内容特异性越高，则其恶意特征越明显，相应的就应该赋予更高权重。图4.3给出了相似度计算的具体过程。

 

图4.3 相似度计算

 

各个字段的特异性权重计算包括以下几个方面：

• Url路径特异性：根据url路径复杂度定义，如图4所示。恶意流量中的url路径越复杂越难以与白流量重叠。
• Url参数特异性：根据参数数量定义，如图4所示。恶意流量中的参数数量越多，特征越明显。
• 其他常见请求字段特异性：如User-Agent, Connection, Cache-Control等字段。统计所有恶意流量和白流量中出现过的字段信息集合以及对应的出现次数。如果字段内容出现频率低，则认为特异性高。
• 特殊字段特异性：如图1流量中的Content-Key字段。统计所有流量中出现过的字段信息。将出现频率低的字段标记为特殊字段。对于有特殊字段的流量，认为其特异性高。

 

图4.4 Url路径和参数特异性

 

4.1.4 层次聚类

根据步骤3计算的相似度矩阵，利用层次聚类算法将请求头划分为若干类。每一类中的请求头都具有相似的结构，用于后续生产恶意流量模板。图4.5是采用10%的样本用于训练时生成的层次聚类图。

 

图4.5 恶意流量层次聚类图

 

4.1.5 生成恶意流量模板

对聚类后的每一类，都是结构和内容相似的恶意流量。对其中的每一个请求头字段，获取聚类中该字段内容的并集作为该字段在模板中的值。相当于把训练集中重复的部分做了去重处理。

 

4.2 未知流量检测

 

图4.6未知http流量检测

 

如图4.6所示，模板匹配过程主要包括包括待测流量请求头字段提取，泛化，模板匹配，判别流量性质四个部分。

其中字段提取，泛化过程和4.1节中完全相同。模板匹配过程也是计算待检测请求头与恶意外连流量模板的相似度，最后加权平均的相似度即为待测流量与模板匹配的相似度。具体相似度的计算与模板生成过程中4.1.3基本一致，唯一的区别是，模板中同一个请求头字段可以有多个值，在计算时取其中相似度最高的值。最终，如果未知流量与模板的相似度大于预设值，则认为未知流量为恶意外连流量。

 

5 算法效果

采用80%的黑样本作为训练集，20%的黑样本及全部白样本作为测试集，测试算法效果，绘制匹配阈值的PRC曲线如图5.1。可以看到随着召回率的提升，算法一直保持着较高的精度。最终选择了0.8作为匹配阈值，此时算法精度为93.56%，召回率为97.14%，F-值为0.9532。

 

图5.1 PRC曲线

 

此外，分别用10%，20%，30%…, 90%的黑样本作为训练集，匹配阈值采用0.8测试其他样本数据，分别统计检测的恶意流量正确率，白流量正确率以及误报率，结果如图5.2。可以看到算法对白样本的检测正确率一直维持在99%以上。而对于黑样本，其检测正确率是建立在模型多样性的基础上的。在训练集只有10%，模型数据不足的情况下，算法仍检测出了77.65%的黑样本，说明算法对于恶意流量的变种有较好的泛化能力。

 

图5.2 训练集占比对黑白测试样本检出率影响

 

 

表5.1给出了不同训练集占比下，检出率和误报率的具体数值。可以看到，随着训练集占比的提高，检出率大幅度上升，这是由于算法是建立在模型基础上的。当训练集少时，样本的多样性不足，获取到的模板少，从而检出率较低。随着训练样本的增加，更多的模板特征被获取，检测率也逐渐提高。而误报率随着训练集的扩大而略有上升，这是由于随着模板的增多，白流量匹配到模板的概率也逐渐变大了。但整体误报率的增加并不多，仍在可接受范围。

 

 

目前还实现了一个简易的测试页面，可以通过上传pcap来检测其中是否包含恶意流量，效果如图5.3和5.4所示。该页面后续将开放。表5.1 不同训练集占比下的检出率和误报率

 

图5.3 检测恶意流量页面

图5.4检测结果页面

 

6. 参考文献

【1】Nelms T, Perdisci R, Ahamad M. ExecScent: Mining for New C&C Domains in Live Networks with Adaptive Control Protocol Templates[C]//USENIX Security Symposium. 2013: 589-604.

【2】Egele M, Scholte T, Kirda E, et al. A survey on automated dynamic malware-analysis techniques and tools[J]. ACM computing surveys (CSUR), 2012, 44(2): 6.

【3】Gu G, Perdisci R, Zhang J, et al. BotMiner: Clustering Analysis of Network Traffic for Protocol-and Structure-Independent Botnet Detection[C]//USENIX security symposium. 2008, 5(2): 139-154.

【4】Zhao D, Traore I, Sayed B, et al. Botnet detection based on traffic behavior analysis and flow intervals[J]. Computers & Security, 2013, 39: 2-16.

【5】Wurzinger P, Bilge L, Holz T, et al. Automatically generating models for botnet detection[C]//European symposium on research in computer security. Springer, Berlin, Heidelberg, 2009: 232-249.