符運輝

摘要：現(xiàn)階段絕大多數(shù)違法犯罪活動依托境外網(wǎng)站實施，因此國際出入口具有大量違法網(wǎng)站相關(guān)數(shù)據(jù)，為了提高有關(guān)部門網(wǎng)絡(luò)安全監(jiān)測力度，針對國際口HTTP POST報文數(shù)據(jù)進行監(jiān)測，通過自動數(shù)據(jù)訓練、學習，提取違法網(wǎng)站的行為特征，實現(xiàn)報文數(shù)據(jù)的自動分類識別，積累違法網(wǎng)站行為庫;同時，結(jié)合搜索引擎報送的定制化分類結(jié)果數(shù)據(jù)、網(wǎng)馬識別信息，進行綜合分析、深度挖掘，實現(xiàn)情報線索由人工挖掘向系統(tǒng)自動產(chǎn)生的轉(zhuǎn)變，為構(gòu)建主動發(fā)現(xiàn)、主動出擊的情報導偵工作體系提供技術(shù)支撐。

關(guān)鍵詞：HTTP POST報文數(shù)據(jù)分析;自動分類識別;違法網(wǎng)站行為庫;自定義關(guān)鍵詞庫;

中圖分類號：TP393? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1009-3044（2019）03-0003-03

進入21世紀后，隨著計算機和網(wǎng)絡(luò)的普及，網(wǎng)絡(luò)犯罪呈現(xiàn)井噴之勢。據(jù)統(tǒng)計，近年來，利用計算機和網(wǎng)絡(luò)的犯罪以每年30%的速度遞增，每年給我國帶來的直接經(jīng)濟損失過億，有近2/3的網(wǎng)絡(luò)用戶曾成為網(wǎng)絡(luò)犯罪的犧牲品。網(wǎng)絡(luò)犯罪給人民正常生活帶來巨大危害，為國家造成了巨大損失，嚴重影響社會安定團結(jié)。

計算機網(wǎng)絡(luò)犯罪具有隱蔽性、技術(shù)性、復雜性、跨國性、對象廣泛等特點，各類技術(shù)手段獲得多種數(shù)據(jù)來源，將海量數(shù)據(jù)中的有價值數(shù)據(jù)進行分類識別所需要的技術(shù)條件、硬件要求都比較高，耗費人力物力極大。目前相關(guān)部門掌握了海量報文數(shù)據(jù)，但由于情報挖掘的自動化方式的缺失，從中自動產(chǎn)生有價值的情報信息較為困難。

針對有關(guān)部門獲取的HTTP POST數(shù)據(jù)進行訓練、分類、識別，自動分類篩選出網(wǎng)絡(luò)攻擊、淫穢色情、網(wǎng)絡(luò)賭博等違法犯罪相關(guān)數(shù)據(jù)，結(jié)合搜索引擎報送的違法網(wǎng)頁數(shù)據(jù)、網(wǎng)馬識別信息等，經(jīng)過線索分析預警，進一步關(guān)聯(lián)碰撞、統(tǒng)計分析，自動整理發(fā)現(xiàn)違法犯罪情報線索，從而實現(xiàn)從數(shù)據(jù)到線索的轉(zhuǎn)變，提高主動偵察、主動打擊的能力。

本文所研究的專用腳本發(fā)現(xiàn)算法，根據(jù)已有的報文，分析出報文中的關(guān)鍵參數(shù)與報文專用非專用類型信息的關(guān)聯(lián)，提取出專用腳本關(guān)鍵詞庫（已有自定義的關(guān)鍵詞庫），使用詞庫實現(xiàn)相關(guān)算法對報文是否專用進行判斷，并給出判斷的把握程度，實現(xiàn)數(shù)據(jù)自動歸類。

1 HTTP POST報文預處理

1）原始輸入為post報文與標簽，標簽為post報文所屬域名的類型，post報文內(nèi)容如下：

使用消息摘要算法輸出作為該報文的唯一標識。根據(jù)報文的標識可統(tǒng)計報文在不同網(wǎng)站的使用情況判斷報文是否為專用報文。若報文2.1在已搜集的數(shù)據(jù)中，標簽值為1的網(wǎng)站中使用了400次，標簽值為2的網(wǎng)站中使用了100次，由于400/500>70%（在本項目中，一個報文若穩(wěn)定的出現(xiàn)在某一類型網(wǎng)站中超過70%比例，則該腳本將被為該類型專用報文），該報文為類型1的專用報文。

3）根據(jù)以上所敘述內(nèi)容，可以報文為輸入，得到以下結(jié)構(gòu)的數(shù)據(jù)：

表2中第一列為報文的標識，第二列為報文的關(guān)鍵字集合，第三列為專用標簽，1表示該報文為專用報文，0表示非專用報文。根據(jù)專用報文信息提取專用腳本常用詞庫，首先統(tǒng)計所有腳本中的關(guān)鍵字出現(xiàn)次數(shù)按從大到小提取前6000個關(guān)鍵字，而后根據(jù)專用腳本中出現(xiàn)次數(shù)排序取前4000個關(guān)鍵字，4000個關(guān)鍵字作為專用報文字典。

根據(jù)專用報文字典，將每一條報文映射成一個向量。假設(shè)字典為：

某一條報文的關(guān)鍵字集合為as ks heart，那么該條報文映射成的向量為：

向量中的每一列都對應著字典中的一個字，報文中存在該關(guān)鍵字則填1，否則填0。將表格2專用信息中所有報文轉(zhuǎn)換為向量后，即可用于學習算法訓練模型。表6 圖片開運算效果

2 學習算法

每個報文的向量維度在本項目中均為4000維，即專用腳本詞庫中常用詞的數(shù)目，第三列中1表示專用，0表示非專用。得到該數(shù)據(jù)后即可用以訓練機器學習模型并用以預測。在本項目中使用了30000報文用以訓練，專用腳本和非專用腳本比例為1：1，10000報文用以測試分類模型的效果。專用腳本與非專用腳本比例為3：2。表現(xiàn)較好的模型為邏輯回歸模型、支持向量機模型、隨機森林模型，以下為其具體評價指標。

3 項目文件說明

1）在specialScriptDetection文件夾下，有extractKeyWord.py和main.py兩個文件。extractKeyWord.py主要任務(wù)為根據(jù)表2專用報文信息生成表3學習算法的輸入，文件中包含兩個函數(shù)get_wordbag、script2vec。Get_wordbag以表2為輸入，生成專用腳本關(guān)鍵詞庫，以下為該函數(shù)輸入輸出的形式。

2）script2vec函數(shù)的輸入是get_wordbag函數(shù)輸出的專用腳本關(guān)鍵詞庫與表格2.2中所提的關(guān)鍵字集合列。關(guān)鍵詞庫與關(guān)鍵字集合均以字符串列表的形式傳入。輸出表格3.1中所提的報文向量。Main.py文件包含了書寫的學習模型類mlclf，該類初始化使用報文向量和標簽，并將數(shù)據(jù)分割為3：1作為訓練數(shù)據(jù)和測試數(shù)據(jù)，成員函數(shù)包含調(diào)用第三部分所提模型的代碼，一經(jīng)調(diào)用會使用75%的數(shù)據(jù)用以訓練，25%的數(shù)據(jù)用以測試模型的效果，并將效果打印在命令行中。若需要獲取一個報文預測結(jié)果的把握程度，可以使用model.predict_proba（script_vector）獲取相應的把握信息，model是各種模型的代指，在本項目中model為{lr，svc，rf}中的元素。

4 總結(jié)與展望

本文通過對邏輯回歸、支持向量機和隨機森林三種模型測試，依次對捕獲的http post報文進行了預處理，其準確率達到83%-85，召回率達到了87%-88%。進一步提高了機器學習的準確，減少了大量人工對數(shù)據(jù)的一一分析處理。實現(xiàn)情報線索由人工挖掘向系統(tǒng)自動產(chǎn)生的轉(zhuǎn)變，為構(gòu)建主動發(fā)現(xiàn)、主動出擊的情報導偵工作體系提供技術(shù)支撐。

參考文獻：

[1] 呂國英，任瑞征.算法設(shè)計與分析[M].清華大學出版社，2009.

[2] 成洪靜，陳立潮，張英俊，等.基于SVM的多分類器構(gòu)造算法的研究[J].計算機技術(shù)與發(fā)展，2008.

[3] [沙特]M.H Alsuwaiyel.算法設(shè)計與分析[M].方世昌，譯.電子工業(yè)出版社，2005.

[4] 嚴蔚敏，吳偉民.數(shù)據(jù)結(jié)構(gòu)[M].清華大學出版社，1997.

[5] 楊啟帆，方道元.數(shù)學建模[M].杭州：浙江大學出版社，1999.

[6] 趙靜，但琦.數(shù)學建模與數(shù)學實驗[M].北京：高等教育出版社，2010.

[7] 孫強. 基于ASP.NET 的專題網(wǎng)站的研究與設(shè)計[D]. 東北師范大學，2006.

[8] 周佩德.數(shù)據(jù)庫原理及應用[M].北京：電子工業(yè)出版社，2004.

【通聯(lián)編輯：唐一東】