0      引言

隨著互聯(lián)網(wǎng)的發(fā)展，基于B/S架構(gòu)的Web應(yīng)用迅速普及，包括應(yīng)用在政府、銀行、運(yùn)營(yíng)商、電商以及各大門戶網(wǎng)站。由于不同的Web系統(tǒng)研發(fā)人員水平差異，在設(shè)計(jì)過(guò)程中難免對(duì)安全問(wèn)題欠缺考慮，造成Web安全問(wèn)題頻發(fā)。常見(jiàn)的安全威脅有：SQL注入漏洞、上傳文件漏洞、提交表單漏洞、跨站腳本攻擊等。入侵者在獲得Web系統(tǒng)漏洞后，會(huì)通過(guò)上傳webshell來(lái)獲得Web服務(wù)器的操作權(quán)限。對(duì)于入侵者來(lái)說(shuō)，webshell就是一個(gè)后門程序，通常是ASP、PHP、JSP等網(wǎng)頁(yè)腳本。入侵實(shí)施后，首先在網(wǎng)頁(yè)服務(wù)器的Web目錄下面放置腳本文件，然后可以通過(guò)Web頁(yè)面對(duì)網(wǎng)站服務(wù)器進(jìn)行控制^［2］。由于webshell操作不會(huì)在系統(tǒng)安全日志中留下記錄，并且與正常網(wǎng)頁(yè)文件混在一起，一般管理員很難看出入侵痕跡^［3］。

在Web安全檢測(cè)領(lǐng)域，由于缺少樣本，很難建立精準(zhǔn)的監(jiān)督學(xué)習(xí)模型，而無(wú)監(jiān)督學(xué)習(xí)會(huì)造成誤報(bào)率高的問(wèn)題，需要大量的安全工程師分析過(guò)濾機(jī)器學(xué)習(xí)的警告，分析結(jié)果存在人工誤差。由于Web攻擊方式多變，傳統(tǒng)的預(yù)測(cè)方式難以應(yīng)對(duì)復(fù)雜的真實(shí)環(huán)境。本文利用深度學(xué)習(xí)提取特征完備性高的特點(diǎn)，結(jié)合半監(jiān)督學(xué)習(xí)，將機(jī)器學(xué)習(xí)應(yīng)用于webshell本地檢測(cè)，使用github公開(kāi)樣本數(shù)據(jù)^［4-5］，采用單分類和增量學(xué)習(xí)方式，不斷優(yōu)化模型，經(jīng)過(guò)多次試驗(yàn)效果證明，本文方法能夠有效降低誤報(bào)率和提高檢測(cè)率。

1 深度學(xué)習(xí)

在機(jī)器學(xué)習(xí)領(lǐng)域，學(xué)者公認(rèn)“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已”。本文webshell檢測(cè)的測(cè)試數(shù)據(jù)來(lái)源于github上整理的webshell樣本，具有一定的代表性。特征選擇使用卡方檢驗(yàn)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，先用卡方檢驗(yàn)選取前K個(gè)重要特征，過(guò)濾測(cè)試文本，進(jìn)一步使用神經(jīng)網(wǎng)絡(luò)算法，獲得每一個(gè)樣本的文本向量。

1.1 卡方檢驗(yàn)

卡方檢驗(yàn)是一種常見(jiàn)的特征選擇方法。其基本思想是根據(jù)樣本數(shù)據(jù)推斷總體的分布與期望分布是否有顯著差異，或者推斷兩個(gè)分類變量是否相關(guān)。

一般可以設(shè)原假設(shè)為H0:觀察頻數(shù)與期望頻數(shù)沒(méi)有差異，或者兩個(gè)變量相互獨(dú)立不相關(guān)。實(shí)際應(yīng)用中，先假設(shè)H0成立，計(jì)算出χ²值。根據(jù)χ²分布、χ²統(tǒng)計(jì)量以及自由度，可以確定在H0成立的情況下獲得當(dāng)前統(tǒng)計(jì)量的概率P。如果P很小，說(shuō)明觀察值與理論值的偏離程度大，應(yīng)該拒絕原假設(shè)。否則不能拒絕原假設(shè)。

χ²的計(jì)算公式為：

其中，A為實(shí)際值，T為理論值。

在本文的github樣本中，使用卡方檢驗(yàn)剔除與webshell攻擊相關(guān)性較小的詞，例如：“is”、“the”、“是”等。選取前500個(gè)特征詞，例如“shell”、“package”等。

1.2 神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要分支，目前深度學(xué)習(xí)在圖像、語(yǔ)音、自然語(yǔ)言等取得巨大突破。在文本分析領(lǐng)域，word2vec^［6］和doc2vec是深度學(xué)習(xí)的重要研究成果，doc2vec與word2vec相似，只是word2vec在基于詞的語(yǔ)義分析基礎(chǔ)上，添加基于上下文的語(yǔ)義分析能力。

doc2vec是將詞表征為實(shí)數(shù)值向量的一種高效的算法模型，利用深度學(xué)習(xí)的思想，構(gòu)建兩層神經(jīng)網(wǎng)絡(luò)，即輸入層-隱藏層-輸出層，通過(guò)訓(xùn)練，把對(duì)文本內(nèi)容的處理簡(jiǎn)化為K維向量空間中的向量運(yùn)算。其訓(xùn)練和預(yù)測(cè)過(guò)程如圖1所示。

圖 1   文檔向量學(xué)習(xí)框架圖

在本文的測(cè)試樣本中，經(jīng)過(guò)卡方檢驗(yàn)篩選之后，運(yùn)用doc2vec模型，訓(xùn)練得到樣本的文本向量：［-2.083 977 50×10^-2，-4.902 341 22×10^-2，-2.033 572 83×10^-2，-7.650 934 16×10^-2，…］。

2  半監(jiān)督學(xué)習(xí)

傳統(tǒng)的機(jī)器學(xué)習(xí)通常分為有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)是通過(guò)訓(xùn)練標(biāo)記的樣本，盡可能正確地對(duì)訓(xùn)練之外的未標(biāo)記樣本進(jìn)行預(yù)測(cè)；無(wú)監(jiān)督學(xué)習(xí)是通過(guò)訓(xùn)練無(wú)標(biāo)記的樣本，以發(fā)現(xiàn)未標(biāo)記樣本之間的內(nèi)部特征。半監(jiān)督學(xué)習(xí)是介于有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)之間的機(jī)器學(xué)習(xí)方式，同時(shí)運(yùn)用標(biāo)記樣本和無(wú)標(biāo)記樣本，訓(xùn)練機(jī)器學(xué)習(xí)模型。

在實(shí)際應(yīng)用中，有標(biāo)記的webshell樣本數(shù)量極少，人為手動(dòng)標(biāo)記代價(jià)大，少量有標(biāo)記的webshell樣本極其珍貴，而樣本中未標(biāo)記的樣本大量存在。本文的webshell檢測(cè)模型，由于正常樣本數(shù)量相對(duì)于webshell樣本數(shù)量占絕對(duì)優(yōu)勢(shì)，因此首先把未標(biāo)記的樣本全部當(dāng)作正常樣本，使用無(wú)監(jiān)督方式訓(xùn)練單分類SVDD模型；再運(yùn)用有標(biāo)記的樣本，修正單分類SVDD模型，達(dá)到增量學(xué)習(xí)的目的。

本文充分運(yùn)用現(xiàn)有少量有標(biāo)記的webshell和大量無(wú)標(biāo)記的樣本數(shù)據(jù)，使用半監(jiān)督學(xué)習(xí)，利用先驗(yàn)單分類SVDD模型信息和新的標(biāo)記樣本更新模型，一方面能夠繼承先前學(xué)習(xí)到的知識(shí)，讓整個(gè)學(xué)習(xí)具有可積累性；另一方面可以實(shí)現(xiàn)在線學(xué)習(xí)，不斷更新webshell檢測(cè)模型。

2.1 單分類SVDD模型

支持向量數(shù)據(jù)描述(Support Vector Domain Description，SVDD)是由TAX D M J和DUIN R PW^［7］提出并發(fā)展起來(lái)的一種單值分類算法，標(biāo)準(zhǔn)的SVDD模型屬于無(wú)監(jiān)督學(xué)習(xí)，把要描述的對(duì)象作為一個(gè)整體，建立一個(gè)封閉而緊湊的超球體，使得描述對(duì)象全部或盡可能多地包在這個(gè)球體內(nèi)。

圖 2   單分類SVDD模型圖

假設(shè)訓(xùn)練數(shù)據(jù)集為SVDD的優(yōu)化目標(biāo)是在T中，找到最小半徑R。最優(yōu)超球體的求解可以轉(zhuǎn)化為以下優(yōu)化問(wèn)題：

其中，R為待求的球的最小半徑，C為懲罰系數(shù)，ξ_i為懲罰項(xiàng)，a為超球體的球心。

訓(xùn)練結(jié)束后，需要判斷新的數(shù)據(jù)點(diǎn)Z是否屬于這個(gè)類，即：

(z-a)^T(z-a)≤R²                               （3）

至此已經(jīng)用未標(biāo)記樣本訓(xùn)練了單分類SVDD模型，對(duì)于測(cè)試數(shù)據(jù)可以用該模型直接進(jìn)行判斷。但是未標(biāo)記樣本中存在少量的webshell攻擊樣本，直接使用單分類SVDD模型存在一定誤差。接下來(lái)使用標(biāo)記樣本，通過(guò)有監(jiān)督學(xué)習(xí)方式增量訓(xùn)練SVDD模型，修正已經(jīng)訓(xùn)練好的單分類SVDD模型。

2.2 增量學(xué)習(xí)SVDD模型

webshell攻擊方式多變，腳本更新速度快，攻擊的特征也不是一成不變的。使用當(dāng)前的webshell樣本訓(xùn)練單分類SVDD模型，難以適應(yīng)webshell入侵方式不斷更新的現(xiàn)狀。而增量學(xué)習(xí)是一種在線學(xué)習(xí)方式，指的是一個(gè)學(xué)習(xí)系統(tǒng)能不斷地從新樣本中學(xué)習(xí)新的知識(shí)，并能保存大部分以前已經(jīng)學(xué)習(xí)到的知識(shí)。準(zhǔn)確地說(shuō)，增量學(xué)習(xí)并不是一種模型，而是一種模型的訓(xùn)練更新方式。

本文提出的增量學(xué)習(xí)SVDD模型，在單分類SVDD模型的基礎(chǔ)上，運(yùn)用有標(biāo)記的樣本，更新單分類SVDD模型，達(dá)到增量學(xué)習(xí)的目的。在這個(gè)過(guò)程中，以前處理過(guò)的大部分樣本不需要重復(fù)處理，只選取作為支持向量的樣本，結(jié)合新的有標(biāo)記的樣本，重新學(xué)習(xí)并更新SVDD模型，一旦學(xué)習(xí)完成之后，訓(xùn)練的樣本被丟棄。學(xué)習(xí)系統(tǒng)沒(méi)有關(guān)于整個(gè)訓(xùn)練樣本的先驗(yàn)知識(shí)。

3  基于深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的webshell檢測(cè)算法

3.1 webshell檢測(cè)算法流程

基于深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的webshell檢測(cè)算法主要包含卡方檢驗(yàn)、深度學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、單分類SVDD、增量學(xué)習(xí)SVDD等。其中算法結(jié)構(gòu)如圖3所示。

3.2 webshell檢測(cè)算法描述

本文運(yùn)用深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)相關(guān)算法，對(duì)于有標(biāo)記樣本集{（X¹,Y¹）,（X²,Y²）,…,（Xⁿ,Yⁿ）}，其中Yⁱ=為對(duì)應(yīng)樣本Xⁱ=的標(biāo)記向量，以及無(wú)標(biāo)記樣本{Z¹,Z²,Z³,…,Z^m}進(jìn)行webshell建模分析。其中webshell檢測(cè)算法具體流程如下：

（1）對(duì)有標(biāo)記樣本進(jìn)行分詞處理，再用卡方檢驗(yàn)分析各個(gè)特征詞與樣本標(biāo)記之間的相關(guān)性，選擇前K個(gè)重要特征詞作為篩選特征詞；

（2）對(duì)于未標(biāo)記樣本，用（1）中獲取的篩選特征詞獲得未標(biāo)記樣本特征；

圖 3   webshell檢測(cè)算法流程圖

（3）對(duì)于（2）中獲取的未標(biāo)記樣本特征，使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得各個(gè)未標(biāo)記樣本的文本向量及doc2vec；

（4）利用（3）中獲取的文本向量，使用無(wú)監(jiān)督學(xué)習(xí)方法訓(xùn)練單分類SVDD模型，最小化超球體半徑，最大情況包含未標(biāo)記樣本； 

（5）對(duì)于新的標(biāo)記樣本，運(yùn)用在線學(xué)習(xí)方式訓(xùn)練增量學(xué)習(xí)SVDD模型，修正單分類SVDD模型，提高現(xiàn)有模型的識(shí)別能力。

4  實(shí)驗(yàn)與分析

為了驗(yàn)證本文中基于深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的webshell算法檢測(cè)性能，使用github中數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)樣本分布情況如下表1所示。

表1數(shù)據(jù)的類別分布表

4.1 數(shù)據(jù)預(yù)處理

原始的webshell訓(xùn)練樣本是直接在github上下載的webshell腳本文件，在進(jìn)行樣本訓(xùn)練之前，需要進(jìn)行數(shù)據(jù)預(yù)處理。為了獲得高質(zhì)量的特征集，在所有的數(shù)據(jù)集合中選取有標(biāo)記樣本作為卡方訓(xùn)練樣本，其中選取增量訓(xùn)練集W1中50份樣本，增量訓(xùn)練集W2中50份樣本，正常測(cè)試集W3中50份樣本，webshell樣本集W4中50份樣本，組合成200份有標(biāo)記卡方訓(xùn)練樣本。

經(jīng)過(guò)卡方檢驗(yàn)之后，選取前500個(gè)特征作為樣本的重要特征，其中前7個(gè)特征結(jié)果如表2所示。

表2前7個(gè)卡方檢驗(yàn)特征表

 通過(guò)卡方檢驗(yàn)選擇的特征是與標(biāo)記樣本相關(guān)性較高的特征詞。為簡(jiǎn)化樣本復(fù)雜程度，需要進(jìn)一步使用卡方檢驗(yàn)獲取的前500個(gè)特征值，過(guò)濾初始訓(xùn)練集W₀。然后使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)濾后的樣本，獲取訓(xùn)練樣本的文本向量，即doc2vec。其中最終獲得文本向量示例如下

X1=［-2.083 977 50×10^-2,-4.902 341 22×10^-2,-2.033 572 83×10^-2,-7.650 934 16×10^-2,…］

X2=［0.340 425 997 972,-0.016 084 445 640 4,

-0.757 030 189 037,0.497 053 474 188,…］ 

X3=［0.256 792 724 133,0.113 478 787 243,

-0.708 586 812 019,0.289 009 481 668,…］

4.2 實(shí)驗(yàn)結(jié)果和分析

在有少量有標(biāo)記樣本和大量無(wú)標(biāo)記樣本情況下，半監(jiān)督學(xué)習(xí)是能夠同時(shí)兼顧訓(xùn)練樣本和提高訓(xùn)練結(jié)果的學(xué)習(xí)方法。在無(wú)監(jiān)督學(xué)習(xí)階段，本文使用初始訓(xùn)練集W₀獲得的文本向量訓(xùn)練單分類SVDD模型M0。在有監(jiān)督學(xué)習(xí)階段，首先在單分類SVDD模型M0的基礎(chǔ)上，使用增量訓(xùn)練集W₁訓(xùn)練增量SVDD模型M1；然后在增量SVDD模型M1的基礎(chǔ)上，使用增量訓(xùn)練集W₂訓(xùn)練增量SVDD模型M2。對(duì)于每個(gè)模型，均使用正常測(cè)試集W₃和webshell樣本集W₄樣本混合測(cè)試。對(duì)于本文的webshell檢測(cè)方法，使用漏報(bào)率和誤報(bào)率來(lái)驗(yàn)證模型分類效果，測(cè)試結(jié)果如表3所示。

表3測(cè)試結(jié)果表 

從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于相同的W₃+W₄測(cè)試樣本，使用增量SVDD訓(xùn)練的模型在漏報(bào)率和誤報(bào)率上均優(yōu)于單分類SVDD模型，并且使用增量樣本修正的次數(shù)越多，模型的效果越好。說(shuō)明基于深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)方法在webshell檢測(cè)中的優(yōu)越性，充分利用少量有標(biāo)記樣本，使用在線學(xué)習(xí)方法訓(xùn)練增量SVDD模型，不斷優(yōu)化最終模型，降低檢測(cè)的漏報(bào)率和誤報(bào)率。

5  結(jié)論

經(jīng)過(guò)多次的實(shí)驗(yàn)結(jié)果可知，本文提出的基于深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)webshell檢測(cè)方法，在webshell檢測(cè)中一定程度上改善了系統(tǒng)的性能，有效降低了漏報(bào)率和誤報(bào)率，并在增量學(xué)習(xí)框架下，通過(guò)不斷學(xué)習(xí)新增標(biāo)記樣本，能夠持續(xù)優(yōu)化系統(tǒng)。在深度學(xué)習(xí)領(lǐng)域，本文使用文本向量的方式獲得樣本特征，此后的重點(diǎn)研究方向在于如何獲取更有價(jià)值的樣本特征。在半監(jiān)督學(xué)習(xí)領(lǐng)域，本文使用單分類SVDD模型和增量SVDD模型，此后的重點(diǎn)研究方向在于如何優(yōu)化模型提高漏報(bào)率和誤報(bào)率。

參考文獻(xiàn)

 ［1］ QUINLAN J R.C4.5:programs for machine learning［M］.San Francisco:Morgan Kaufmann,1993.

［2］ 胡建康,徐震,馬多賀,等.基于決策樹的Webshell檢測(cè)方法研究［J］.網(wǎng)絡(luò)新媒體技術(shù).2012,1(6):15-19.

［3］ 龍嘯,方勇,黃誠(chéng),等.Webshell研究綜述:檢測(cè)與逃逸之間的博弈［J］.網(wǎng)絡(luò)空間安全,2018,9(1):62-68.

［4］ https://github.com/tanjiti/webshellSample

［5］ https://github.com/tennc/webshell

［6］ MIKOLOV T, LE Q V, SUTSKEVER I.Exploiting similarities among languages for machine translation ［J］ arXiv, arXiv1309.4168,2013.

［7］ TAX D M J, DUIN R P W.Support vector data description［J］.Pattern Recognition Letters,1999,20(11-13):1191-1199.

（收稿日期：2018-07-10）

作者簡(jiǎn)介：

吳斌(1991-)，通信作者，男，碩士，大數(shù)據(jù)分析師，主要研究方向：數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)。E-mail：wubin@onescorpion.com。 

趙力(1990-)，女，碩士，大數(shù)據(jù)分析師，主要研究方向：數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)。