渗透测试 - 黑客技术 | 如何使用深度学习检测XSS

一、前言

众所周知，深度学习在计算机视觉、自然语言处理、人工智能等领域取得了极大的进展，在安全领域也开始崭露头角走向了实际应用。本文中进行的实验主要以文本分类的方法，使用深度学习检测XSS攻击，由于本人是初学者，难免对算法本身的理解不够确切，所以本文尽量使用通俗简单的方式介绍算法，不会过多的讲解细节，以免误导大家。

二、数据集

安全领域的公开数据集非常的稀缺，本文提供的实验数据包含两个部分：从xssed爬取的黑样本作为正样例，有4万多条；另外提供约20万条正常的http get请求记录作为负样例，为了保证数据安全，去除了url中的host、path等信息，仅保留了payload的部分。

以上数据url编码后保存在csv中，由于部分原始数据进行过url编码，所以要两次url解码后才能使用。

正样例：



	topic=http://gmwgroup.harvard.edu/techniques/index.php?topic=<script>alert(document.cookie)</script>



	siteID=';alert(String.fromCharCode(88,83,83))//\';alert(String.fromCharCode(88,83,83))//";alert(String.fromCharCode(88,83,83))//\";alert(String.fromCharCode(88,83,83))//--></SCRIPT>">'><SCRIPT>alert(String.fromCharCode(88,83,83))</SCRIPT>



	js='"--></style></script><script>alert(/meehinfected/)</script></title><marquee><h1>XSS:)</h1><marquee><strong><blink>XSSTEST</blink></strong></marquee><h1  >XSS  </h1></marquee>

负样例：



	_=1498584888937/&list=FU1804,FU0,FU1707,FU1708,FU1709,FU1710,FU1711,FU1712



	hid=sgpy-windows-generic-device-id&v=8.4.0.1062&brand=1&platform=6&ifbak=0&ifmobile=0&ifauto=1&type=1&filename=sgim_privilege.zip



	iid=11491672248&device_id=34942737887&ac=wifi&channel=huawei&aid=13&app_name=news_article&version_code=621&version_name=6.2.1&device_platform=android&ssmix=a&device_type=FDR-A03L&device_brand=HUAWEI&language=zh&os_api=22&os_version=5.1.1&uuid=860947033207318&openudid=fc19d05187ebeb0&manifest_version_code=621&resolution=1200*1848&dpi=240&update_version_code=6214&_rticket=1498580286466

三、分词

使用文本分类的方法自然涉及到如何将文本分词。观察以上正样例，人是如何辨别XSS的：参数内包含完整可执行的HTML标签和DOM方法。所以要支持的分词原则为：

单双引号包含的内容 ‘xss’

http/https链接

<>标签 <script>

<>开头 <h1

参数名 topic=

函数体 alert(

字符数字组成的单词

另外，为了减小分词数量，需要把数字和超链接范化，将数字替换为”0”,超链接替换为http://u。

实现的代码如下：



	def GeneSeg(payload):



	    payload=payload.lower()



	    payload=unquote(unquote(payload))



	   payload,num=re.subn(r'\d+',"0",payload)



	   payload,num=re.subn(r'(http|https)://[a-zA-Z0-9\.@&/#!#\?]+',"http://u", payload)



	    r = '''



	        (?x)[\w\.]+?\(



	        |\)



	        |"\w+?"



	        |'\w+?'



	        |http://\w



	        |</\w+>



	        |<\w+>



	        |<\w+



	        |\w+=



	        |>



	       |[\w\.]+



	    '''



	    return nltk.regexp_tokenize(payload,r)

分词后的正样例：



	['topic=', 'http://u', '<script>', 'alert(','document.cookie', ')', '</script>']



	['siteid=', 'alert(', 'string.fromcharcode(', '0','0', '0', ')', ')', 'alert(', 'string.fromcharcode(', '0', '0', '0', ')', ')','alert(', 'string.fromcharcode(', '0', '0', '0', ')', ')', 'alert(','string.fromcharcode(', '0', '0', '0', ')', ')', '>', '</script>','>', '>', '<script>', 'alert(', 'string.fromcharcode(', '0', '0','0', ')', ')', '</script>']



	['js=', '>', '</style>', '</script>','<script>', 'alert(', 'meeh', 'infected', ')', '</script>','</title>', '<marquee>', '<h0>', 'xss', ')', '</h0>','<marquee>', '<strong>', '<blink>', 'xss', 'test','</blink>', '</strong>', '</marquee>', '<h0', '>','xss', ')', '</h0>', '</marquee>']

分词后的负样例：



	['_=', '0', 'list=', 'fu0', 'fu0', 'fu0', 'fu0','fu0', 'fu0', 'fu0', 'fu0']



	['hid=', 'sgpy', 'windows', 'generic', 'device', 'id','v=', '0.0.0.0', 'brand=', '0', 'platform=', '0', 'ifbak=', '0', 'ifmobile=','0', 'ifauto=', '0', 'type=', '0', 'filename=', 'sgim_privilege.zip']



	['iid=', '0', 'device_id=', '0', 'ac=', 'wifi','channel=', 'huawei', 'aid=', '0', 'app_name=', 'news_article','version_code=', '0', 'version_name=', '0.0.0', 'device_platform=', 'android','ssmix=', 'a', 'device_type=', 'fdr', 'a0l', 'device_brand=', 'huawei','language=', 'zh', 'os_api=', '0', 'os_version=', '0.0.0', 'uuid=', '0','openudid=', 'fc0d0ebeb0', 'manifest_version_code=', '0', 'resolution=', '0','0', 'dpi=', '0', 'update_version_code=', '0', '_rticket=', '0']

四、嵌入式词向量

如何将分词后的文本转化为机器学习的问题，第一步是要找到一种方法把这些词数学化。最常见的方法是独热编码（one-hot），这种方法是把词表表示为一个很长的向量，只有一个维度的值为1，其他都为0，如””””<script>”表示为[0,0,0,1,0,0,0,0…….]。这种方法存在一个重要的问题是，构成文本的向量是极其稀疏的，词与词之间是相互独立的，机器学习无法理解词的语义。嵌入式词向量就是通过学习文本来用词向量表征词的语义信息，通过将词嵌入空间使得语义相似的词在空间内的距离接近。空间向量可以表达如“话筒”和“麦克”这样的同义词，”cat”、”dog”、”fish”等词在空间中也会聚集到一起。

在这里我们要使用嵌入式词向量模型建立一个XSS的语义模型，让机器能够理解<script>、alert()这样的HTML语言。取正样例中出现次数最多的3000个词，构成词汇表，其他的词标记为“UKN”，使用gensim模块的word2vec类建模，词空间维度取128维。

核心代码：



	def build_dataset(datas,words):



	    count=[["UNK",-1]]



	    counter=Counter(words)



	   count.extend(counter.most_common(vocabulary_size-1))



	    vocabulary=[c[0] for c in count]



	    data_set=[]



	    for data in datas:



	        d_set=[]



	        for word in data:



	            if word in vocabulary:



	                d_set.append(word)



	            else:



	               d_set.append("UNK")



	                count[0][1]+=1



	        data_set.append(d_set)



	    return data_set



	data_set=build_dataset(datas,words)



	model=Word2Vec(data_set,size=embedding_size,window=skip_window,negative=num_sampled,iter=num_iter)



	embeddings=model.wv

五、数据预处理

通过建立好的词向量模型，我们就可以用空间向量表示一个文本，结合前面的过程，完整的流程如图：

词向量模型流程图

最后将全部数据随机切分为70%训练数据和30%测试数据，用于以下三个神经网络的训练和测试，代码示例：



	from sklearn.model_selection import train_test_split



	train_datas,test_datas,train_labels,test_labels=train_test_split(datas,labels,test_size=0.3)

六、多层感知机

多层感知机（MLP）包含一个输入层、输出层和若干隐藏层。Keras可以使用Tensorflow作为后端轻松实现多层感知机,最终整个算法的准确率为99.9%，召回率为97.5%。核心代码如下：

模型训练：



	deftrain(train_generator,train_size,input_num,dims_num):



	    print("Start Train Job! ")



	    start=time.time()



	   inputs=InputLayer(input_shape=(input_num,dims_num),batch_size=batch_size)



	    layer1=Dense(100,activation="relu")



	   layer2=Dense(20,activation="relu")



	    flatten=Flatten()



	   layer3=Dense(2,activation="softmax",name="Output")



	    optimizer=Adam()



	    model=Sequential()



	    model.add(inputs)



	    model.add(layer1)



	    model.add(Dropout(0.5))



	    model.add(layer2)



	    model.add(Dropout(0.5))



	    model.add(flatten)



	    model.add(layer3)



	   call=TensorBoard(log_dir=log_dir,write_grads=True,histogram_freq=1)



	   model.compile(optimizer,loss="categorical_crossentropy",metrics=["accuracy"])



	    model.fit_generator(train_generator,steps_per_epoch=train_size//batch_size,epochs=epochs_num,callbacks=[call])

测试：



	deftest(model_dir,test_generator,test_size,input_num,dims_num,batch_size):



	    model=load_model(model_dir)



	    labels_pre=[]



	    labels_true=[]



	    batch_num=test_size//batch_size+1



	    steps=0



	    for batch,labels in test_generator:



	        if len(labels)==batch_size:



	           labels_pre.extend(model.predict_on_batch(batch))



	        else:



	           batch=np.concatenate((batch,np.zeros((batch_size-len(labels),input_num,dims_num))))



	           labels_pre.extend(model.predict_on_batch(batch)[0:len(labels)])



	        labels_true.extend(labels)



	        steps+=1



	        print("%d/%dbatch"%(steps,batch_num))



	   labels_pre=np.array(labels_pre).round()



	    def to_y(labels):



	        y=[]



	        for i in range(len(labels)):



	            if labels[i][0]==1:



	                y.append(0)



	            else:



	                y.append(1)



	        return y



	    y_true=to_y(labels_true)



	    y_pre=to_y(labels_pre)



	    precision=precision_score(y_true,y_pre)



	    recall=recall_score(y_true,y_pre)



	    print("Precision score is:",precision)



	    print("Recall score is:",recall)

七、循环神经网络

循环神经网络是一种时间递归神经网络，能够理解序列中上下文的知识，同样使用Keras建立网络，最终模型的准确率为99.5%，召回率为98.7%。核心代码：

模型训练：



	def train(train_generator,train_size,input_num,dims_num):



	    print("Start Train Job! ")



	    start=time.time()



	   inputs=InputLayer(input_shape=(input_num,dims_num),batch_size=batch_size)



	    layer1=LSTM(128)



	   output=Dense(2,activation="softmax",name="Output")



	    optimizer=Adam()



	    model=Sequential()



	    model.add(inputs)



	    model.add(layer1)



	    model.add(Dropout(0.5))



	    model.add(output)



	   call=TensorBoard(log_dir=log_dir,write_grads=True,histogram_freq=1)



	   model.compile(optimizer,loss="categorical_crossentropy",metrics=["accuracy"])



	   model.fit_generator(train_generator,steps_per_epoch=train_size//batch_size,epochs=epochs_num,callbacks=[call])

使用tensorboard对网络的可视化：

八、卷积神经网络

卷积神经网络（CNN）相对于MLP网络减少了需要训练的参数数量，降低了计算量，同时能够提炼深度特征进行分析，这里使用类似于Google VGG的一维卷积神经网络，包含四个卷积层、两个最大池化层、一个全连接层，最终的准确率为99.5%，召回率为98.3%，核心代码：



	deftrain(train_generator,train_size,input_num,dims_num):



	    print("Start Train Job! ")



	    start=time.time()



	   inputs=InputLayer(input_shape=(input_num,dims_num),batch_size=batch_size)



	    layer1=Conv1D(64,3,activation="relu")



	   layer2=Conv1D(64,3,activation="relu")



	   layer3=Conv1D(128,3,activation="relu")



	   layer4=Conv1D(128,3,activation="relu")



	   layer5=Dense(128,activation="relu")



	   output=Dense(2,activation="softmax",name="Output")



	    optimizer=Adam()



	    model=Sequential()



	    model.add(inputs)



	    model.add(layer1)



	    model.add(layer2)



	    model.add(MaxPool1D(pool_size=2))



	    model.add(Dropout(0.5))



	    model.add(layer3)



	    model.add(layer4)



	    model.add(MaxPool1D(pool_size=2))



	    model.add(Dropout(0.5))



	    model.add(Flatten())



	    model.add(layer5)



	    model.add(Dropout(0.5))



	    model.add(output)



	   call=TensorBoard(log_dir=log_dir,write_grads=True,histogram_freq=1)



	   model.compile(optimizer,loss="categorical_crossentropy",metrics=["accuracy"])



	   model.fit_generator(train_generator,steps_per_epoch=train_size//batch_size,epochs=epochs_num,callbacks=[call])