基于深度學習和半監(jiān)督學習的webshell檢測方法

吳 斌，趙 力

(北京網(wǎng)思科平科技有限公司，北京 100089)

0 引言

隨著互聯(lián)網(wǎng)的發(fā)展，基于B/S架構(gòu)的Web應用迅速普及，包括應用在政府、銀行、運營商、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，在設計過程中難免對安全問題欠缺考慮，造成Web安全問題頻發(fā)。常見的安全威脅有：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，會通過上傳webshell來獲得Web服務器的操作權(quán)限。對于入侵者來說，webshell就是一個后門程序，通常是ASP、PHP、JSP等網(wǎng)頁腳本。入侵實施后，首先在網(wǎng)頁服務器的Web目錄下面放置腳本文件，然后可以通過Web頁面對網(wǎng)站服務器進行控制[2]。由于webshell操作不會在系統(tǒng)安全日志中留下記錄，并且與正常網(wǎng)頁文件混在一起，一般管理員很難看出入侵痕跡[3]。

在Web安全檢測領域，由于缺少樣本，很難建立精準的監(jiān)督學習模型，而無監(jiān)督學習會造成誤報率高的問題，需要大量的安全工程師分析過濾機器學習的警告，分析結(jié)果存在人工誤差。由于Web攻擊方式多變，傳統(tǒng)的預測方式難以應對復雜的真實環(huán)境。本文利用深度學習提取特征完備性高的特點，結(jié)合半監(jiān)督學習，將機器學習應用于webshell本地檢測，使用github公開樣本數(shù)據(jù)[4-5]，采用單分類和增量學習方式，不斷優(yōu)化模型，經(jīng)過多次試驗效果證明，本文方法能夠有效降低誤報率和提高檢測率。

1 深度學習

在機器學習領域，學者公認“數(shù)據(jù)和特征決定了機器學習的上限，而模型和算法只是逼近這個上限而已”。本文webshell檢測的測試數(shù)據(jù)來源于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和神經(jīng)網(wǎng)絡相結(jié)合，先用卡方檢驗選取前K個重要特征，過濾測試文本，進一步使用神經(jīng)網(wǎng)絡算法，獲得每一個樣本的文本向量。

1.1 卡方檢驗

卡方檢驗是一種常見的特征選擇方法。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，或者推斷兩個分類變量是否相關。

一般可以設原假設為H0:觀察頻數(shù)與期望頻數(shù)沒有差異，或者兩個變量相互獨立不相關。實際應用中，先假設H0成立，計算出χ2值。根據(jù)χ2分布、χ2統(tǒng)計量以及自由度，可以確定在H0成立的情況下獲得當前統(tǒng)計量的概率P。如果P很小，說明觀察值與理論值的偏離程度大，應該拒絕原假設。否則不能拒絕原假設。

χ2的計算公式為：

(1)

其中，A為實際值，T為理論值。

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

1.2 神經(jīng)網(wǎng)絡

深度學習是機器學習的重要分支，目前深度學習在圖像、語音、自然語言等取得巨大突破。在文本分析領域，word2vec[6]和doc2vec是深度學習的重要研究成果，doc2vec與word2vec相似，只是word2vec在基于詞的語義分析基礎上，添加基于上下文的語義分析能力。

doc2vec是將詞表征為實數(shù)值向量的一種高效的算法模型，利用深度學習的思想，構(gòu)建兩層神經(jīng)網(wǎng)絡，即輸入層-隱藏層-輸出層，通過訓練，把對文本內(nèi)容的處理簡化為K維向量空間中的向量運算。其訓練和預測過程如圖1所示。

圖1 文檔向量學習框架圖

在本文的測試樣本中，經(jīng)過卡方檢驗篩選之后，運用doc2vec模型，訓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)督學習

傳統(tǒng)的機器學習通常分為有監(jiān)督學習和無監(jiān)督學習。有監(jiān)督學習是通過訓練標記的樣本，盡可能正確地對訓練之外的未標記樣本進行預測；無監(jiān)督學習是通過訓練無標記的樣本，以發(fā)現(xiàn)未標記樣本之間的內(nèi)部特征。半監(jiān)督學習是介于有監(jiān)督學習和無監(jiān)督學習之間的機器學習方式，同時運用標記樣本和無標記樣本，訓練機器學習模型。

在實際應用中，有標記的webshell樣本數(shù)量極少，人為手動標記代價大，少量有標記的webshell樣本極其珍貴，而樣本中未標記的樣本大量存在。本文的webshell檢測模型，由于正常樣本數(shù)量相對于webshell樣本數(shù)量占絕對優(yōu)勢，因此首先把未標記的樣本全部當作正常樣本，使用無監(jiān)督方式訓練單分類SVDD模型；再運用有標記的樣本，修正單分類SVDD模型，達到增量學習的目的。

本文充分運用現(xiàn)有少量有標記的webshell和大量無標記的樣本數(shù)據(jù)，使用半監(jiān)督學習，利用先驗單分類SVDD模型信息和新的標記樣本更新模型，一方面能夠繼承先前學習到的知識，讓整個學習具有可積累性；另一方面可以實現(xiàn)在線學習，不斷更新webshell檢測模型。

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)展起來的一種單值分類算法，標準的SVDD模型屬于無監(jiān)督學習，把要描述的對象作為一個整體，建立一個封閉而緊湊的超球體，使得描述對象全部或盡可能多地包在這個球體內(nèi)。

圖2 單分類SVDD模型圖

(2)

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

訓練結(jié)束后，需要判斷新的數(shù)據(jù)點Z是否屬于這個類，即：

(z-a)T(z-a)≤R2

(3)

至此已經(jīng)用未標記樣本訓練了單分類SVDD模型，對于測試數(shù)據(jù)可以用該模型直接進行判斷。但是未標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。接下來使用標記樣本，通過有監(jiān)督學習方式增量訓練SVDD模型，修正已經(jīng)訓練好的單分類SVDD模型。

2.2 增量學習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。使用當前的webshell樣本訓練單分類SVDD模型，難以適應webshell入侵方式不斷更新的現(xiàn)狀。而增量學習是一種在線學習方式，指的是一個學習系統(tǒng)能不斷地從新樣本中學習新的知識，并能保存大部分以前已經(jīng)學習到的知識。準確地說，增量學習并不是一種模型，而是一種模型的訓練更新方式。

本文提出的增量學習SVDD模型，在單分類SVDD模型的基礎上，運用有標記的樣本，更新單分類SVDD模型，達到增量學習的目的。在這個過程中，以前處理過的大部分樣本不需要重復處理，只選取作為支持向量的樣本，結(jié)合新的有標記的樣本，重新學習并更新SVDD模型，一旦學習完成之后，訓練的樣本被丟棄。學習系統(tǒng)沒有關于整個訓練樣本的先驗知識。

3 基于深度學習和半監(jiān)督學習的webshell檢測算法

3.1 webshell檢測算法流程

基于深度學習和半監(jiān)督學習的webshell檢測算法主要包含卡方檢驗、深度學習、半監(jiān)督學習、單分類SVDD、增量學習SVDD等。其中算法結(jié)構(gòu)如圖3所示。

3.2 webshell檢測算法描述

(1)對有標記樣本進行分詞處理，再用卡方檢驗分析各個特征詞與樣本標記之間的相關性，選擇前K個重要特征詞作為篩選特征詞；

(2)對于未標記樣本，用(1)中獲取的篩選特征詞獲得未標記樣本特征；

圖3 webshell檢測算法流程圖

(3)對于(2)中獲取的未標記樣本特征，使用神經(jīng)網(wǎng)絡訓練獲得各個未標記樣本的文本向量及doc2vec；

(4)利用(3)中獲取的文本向量，使用無監(jiān)督學習方法訓練單分類SVDD模型，最小化超球體半徑，最大情況包含未標記樣本；

(5)對于新的標記樣本，運用在線學習方式訓練增量學習SVDD模型，修正單分類SVDD模型，提高現(xiàn)有模型的識別能力。

4 實驗與分析

為了驗證本文中基于深度學習和半監(jiān)督學習的webshell算法檢測性能，使用github中數(shù)據(jù)進行實驗，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)預處理

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

經(jīng)過卡方檢驗之后，選取前500個特征作為樣本的重要特征，其中前7個特征結(jié)果如表2所示。

表2 前7個卡方檢驗特征表

通過卡方檢驗選擇的特征是與標記樣本相關性較高的特征詞。為簡化樣本復雜程度，需要進一步使用卡方檢驗獲取的前500個特征值，過濾初始訓練集W0。然后使用神經(jīng)網(wǎng)絡訓練過濾后的樣本，獲取訓練樣本的文本向量，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 實驗結(jié)果和分析

在有少量有標記樣本和大量無標記樣本情況下，半監(jiān)督學習是能夠同時兼顧訓練樣本和提高訓練結(jié)果的學習方法。在無監(jiān)督學習階段，本文使用初始訓練集W0獲得的文本向量訓練單分類SVDD模型M0。在有監(jiān)督學習階段，首先在單分類SVDD模型M0的基礎上，使用增量訓練集W1訓練增量SVDD模型M1；然后在增量SVDD模型M1的基礎上，使用增量訓練集W2訓練增量SVDD模型M2。對于每個模型，均使用正常測試集W3和webshell樣本集W4樣本混合測試。對于本文的webshell檢測方法，使用漏報率和誤報率來驗證模型分類效果，測試結(jié)果如表3所示。

表3 測試結(jié)果表

從實驗結(jié)果可以看出，對于相同的W3+W4測試樣本，使用增量SVDD訓練的模型在漏報率和誤報率上均優(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。說明基于深度學習和半監(jiān)督學習方法在webshell檢測中的優(yōu)越性，充分利用少量有標記樣本，使用在線學習方法訓練增量SVDD模型，不斷優(yōu)化最終模型，降低檢測的漏報率和誤報率。

5 結(jié)論

經(jīng)過多次的實驗結(jié)果可知，本文提出的基于深度學習和半監(jiān)督學習webshell檢測方法，在webshell檢測中一定程度上改善了系統(tǒng)的性能，有效降低了漏報率和誤報率，并在增量學習框架下，通過不斷學習新增標記樣本，能夠持續(xù)優(yōu)化系統(tǒng)。在深度學習領域，本文使用文本向量的方式獲得樣本特征，此后的重點研究方向在于如何獲取更有價值的樣本特征。在半監(jiān)督學習領域，本文使用單分類SVDD模型和增量SVDD模型，此后的重點研究方向在于如何優(yōu)化模型提高漏報率和誤報率。