一、前言

眾所周知，深度學習在計算機視覺、自然語言處理、人工智能等領域取得了極大的進展，在安全領域也開始嶄露頭角走向了實際應用。本文中進行的實驗主要以文本分類的方法，使用深度學習檢測XSS攻擊，由于本人是初學者，難免對算法本身的理解不夠確切，所以本文盡量使用通俗簡單的方式介紹算法，不會過多的講解細節，以免誤導大家。

二、數據集

安全領域的公開數據集非常的稀缺，本文提供的實驗數據包含兩個部分：從xssed爬取的黑樣本作為正樣例，有4萬多條;另外提供約20萬條正常的http get請求記錄作為負樣例，為了保證數據安全，去除了url中的host、path等信息，僅保留了payload的部分。

以上數據url編碼后保存在csv中，由于部分原始數據進行過url編碼，所以要兩次url解碼后才能使用。

正樣例：

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> 

 負樣例：

_=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、分詞

使用文本分類的方法自然涉及到如何將文本分詞。觀察以上正樣例，人是如何辨別XSS的：參數內包含完整可執行的HTML標簽和DOM方法。所以要支持的分詞原則為：

單雙引號包含的內容 ‘xss’

http/https鏈接

<>標簽 <script>

<>開頭 <h1

參數名 topic=

函數體 alert(

字符數字組成的單詞

另外，為了減小分詞數量，需要把數字和超鏈接范化，將數字替換為”0”,超鏈接替換為http://u。

實現的代碼如下：

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)  

分詞后的正樣例：

['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>'] 

 分詞后的負樣例：

['_=', '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、嵌入式詞向量

如何將分詞后的文本轉化為機器學習的問題，第一步是要找到一種方法把這些詞數學化。最常見的方法是獨熱編碼(one-hot)，這種方法是把詞表表示為一個很長的向量，只有一個維度的值為1，其他都為0，如””””<script>”表示為[0,0,0,1,0,0,0,0…….]。這種方法存在一個重要的問題是，構成文本的向量是極其稀疏的，詞與詞之間是相互獨立的，機器學習無法理解詞的語義。嵌入式詞向量就是通過學習文本來用詞向量表征詞的語義信息，通過將詞嵌入空間使得語義相似的詞在空間內的距離接近。空間向量可以表達如“話筒”和“麥克”這樣的同義詞，”cat”、”dog”、”fish”等詞在空間中也會聚集到一起。

在這里我們要使用嵌入式詞向量模型建立一個XSS的語義模型，讓機器能夠理解<script>、alert()這樣的HTML語言。取正樣例中出現次數最多的3000個詞，構成詞匯表，其他的詞標記為“UKN”，使用gensim模塊的word2vec類建模，詞空間維度取128維。

核心代碼：

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、數據預處理

通過建立好的詞向量模型，我們就可以用空間向量表示一個文本，結合前面的過程，完整的流程如圖：

最后將全部數據隨機切分為70%訓練數據和30%測試數據，用于以下三個神經網絡的訓練和測試，代碼示例：

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、多層感知機

多層感知機(MLP)包含一個輸入層、輸出層和若干隱藏層。Keras可以使用Tensorflow作為后端輕松實現多層感知機,最終整個算法的準確率為99.9%，召回率為97.5%。核心代碼如下：

模型訓練：

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])  

測試：

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、循環神經網絡

循環神經網絡是一種時間遞歸神經網絡，能夠理解序列中上下文的知識，同樣使用Keras建立網絡，最終模型的準確率為99.5%，召回率為98.7%。核心代碼：

模型訓練：

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對網絡的可視化：

八、卷積神經網絡

卷積神經網絡(CNN)相對于MLP網絡減少了需要訓練的參數數量，降低了計算量，同時能夠提煉深度特征進行分析，這里使用類似于Google VGG的一維卷積神經網絡，包含四個卷積層、兩個最大池化層、一個全連接層，最終的準確率為99.5%，召回率為98.3%，核心代碼：

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])  

九、總結

本文介紹了如何使用嵌入式詞向量建立XSS語義識別模型，并分別使用MLP、循環神經網絡、卷積神經網絡三種算法檢測XSS攻擊，三種算法都取得了不錯的效果。