从免费的WEB应用防火墙hihttps谈机器学习之生成对抗规则

hihttps是一款免费的web应用防火墙，既支持传统WAF的检测功能如SQL注入、XSS、恶意漏洞扫描、密码破解、CC、DDOS等），又支持无监督机器学习，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
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。web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HTTP协议数据，可以参考hihttps源码https://github.com/qq4108863/hihttps/ ，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，减少样本没有被**污染的可能性。
5、完整的数据，样本包括全部的HTTP 请求头和body。

基于机器学习的web应用防火墙hiihttp是怎样工作的呢？比如有个网站接口，在正常情况是通过http://www.hihttps.com/hihttps?id=xxx&token=xxx的形式访问，hihttps先把采集到样本如URL参数，保存在train训练目录下，样本文件主要内容如下：
GET /hihttps?id=123&token=2458-a632-3d56-a9bf
GET /hihttps?id=238&token=ce58-a49d-b767-68ed
GET /hihttps?id=523&token=2bd8-c4d2-d324-29b3
GET /hihttps?id=abc&token=2bd8-c4d2-d324-29b3
GET /hihttps?id=abc%20’or 1=1’
……

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**，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：URL参数名过滤。比如正常情况下是/hihttps?id=xxx&token=xxx，那么如果有小于1%的/hihttps?sql=xxx，那么就要过滤这条样本。
2：URL长度过滤。一般来说，URL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过滤。用libinjection库查一遍，符合XSS特征的样本要过滤。
6：其他已知过滤。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：

GET /hihttps?id=123&token=2458-a632-3d56-a9bf
GET /hihttps?id=238&token=ce58-a49d-b767-68ed
GET /hihttps?id=523&token=2bd8-c4d2-d324-29b3
GET /hihttps?id=abc&token=2bd8-c4d2-d324-29b3
…..
少数异常样本，如疑似SQL注入***则去掉
GET /hihttps?id=abc%20’or 1=1’
……

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***呢？在web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：
GET /hihttps?id=123&token=2458-a632-3d56-a9bf
GET /hihttps?id=238&token=ce58-a49d-b767-68ed
GET /hihttps?id=523&token=2bd8-c4d2-d324-29b3
GET /hihttps?id=abc&token=2bd8-c4d2-d324-29b3
…..
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。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.-|
……..
GET /hihttps?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=xx或者version=xx）。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GET /hihttps?id=abc就是一条非法，这就是机器学习能够检测未知*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：URL参数个数、参数值长度的均值和方差、参数字符分布、URL的访问频率等等。如下表所示：

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?id=xxx&token=xxx接口参数，生成对抗规则，保存在rule目录下，和传统WAF的ModSecurity的OWASP规则放在一起，保护网站不被。
下面的一律视为，只有机器学习才有可能检测未知，这是网络安全专家也难以做到的。
GET /hihttps?id=123 参数缺失
GET /hihttps?id=abc&token=2458-a632-3d56-a9bf id参数不对
GET /hihttps?admin=%0acdef 未知
….....
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waf规则很难对付未知漏洞和未知。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，必然是AI的天下。