寫這篇文章有三個原因，一是在工作中一直艱難地摸索著這塊也曾寫過一篇很粗略的大數(shù)據(jù)之安全漫談 (想繼續(xù)吐槽);二是看到了阿里的招聘廣告-一起來聊聊這個新職位：大數(shù)據(jù)安全分析師;三是整個2015的RSA會議 Intelligence Data-Driven 出境率太高了，于是想談談。
大數(shù)據(jù)安全，顧名思義，用大數(shù)據(jù)技術解決安全問題。核心——解決安全問題，手段——大數(shù)據(jù)技術。
我們從核心出發(fā)，安全問題抽象來說就是攻擊與防御，接下來明確防御對象是什么?攻擊目的是什么?攻擊手段是怎樣的?攻擊者的特征?一句話——搞清楚誰為了什么目的通過什么手段攻擊了誰。
比如說防御對象有企業(yè)內(nèi)部安全，有對外發(fā)布產(chǎn)品安全，同時防御對象又決定了不同的攻擊目的與攻擊手段，有企業(yè)入侵，有對產(chǎn)品本身的攻擊(比如說軟件破解，游戲外掛，訂單欺詐)，有對產(chǎn)品用戶的攻擊(比如利用支付漏洞竊取用戶財產(chǎn))，同樣發(fā)起攻擊的攻擊者們特征又是迥異的，有無特定目的批量散彈攻擊，有靠接單掙錢的賞金黑客，有外掛作坊等等。
在明確了的問題后，接下來就是確定解決問題的方法，傳統(tǒng)方法的缺陷是什么?大數(shù)據(jù)技術解決問題的優(yōu)勢又是什么?比如說WAF系統(tǒng)中，傳統(tǒng)的檢測機制——基于簽名庫(黑名單)，缺陷是對未知漏洞(0day) 不可感知。解決方案——基于異常(白名單)，如何鑒定異?！獧C器學習(學習正常的行為模式)，如何對大量數(shù)據(jù)鑒定異?！髷?shù)據(jù)技術支撐下的機器學習。
在這一過程，我們需要具備領域知識(安全知識)，數(shù)據(jù)科學知識(數(shù)據(jù)分析知識，機器學習，文本分析，可視化)，大數(shù)據(jù)知識(數(shù)據(jù)收集，數(shù)據(jù)存儲，數(shù)據(jù)傳輸，數(shù)據(jù)分布式計算)，編程知識。
路漫漫其修遠兮，吾將死磕到底…
本文就以企業(yè)入侵檢測日志分析為場景來談談大數(shù)據(jù)安全。
一、安全領域
大數(shù)據(jù)安全分析最容易走偏的就是過度強調(diào)數(shù)據(jù)計算平臺(大數(shù)據(jù))，算法(機器學習)，而失去了本心，忽略了我們使用這一技術的目的，以入侵檢測為例，我們希望日志分析達到以下目的：
如何感知威脅，我們可以先對攻擊者進行畫像，攻擊手段進行建模。
1. 攻擊者畫像
這里是非常粗略的分類，實際上我們可以用關系圖(社交網(wǎng)挖掘)的方式將攻擊者關聯(lián)起來，對取證抓壞人也是有效果的。
2. 攻擊手段建模
相信喜歡擼paper、ppt的人對Attack Models、 Attack Trees、 Kill Chain這三個術語特別熟悉，特別是看過2013年后的各大安全會議文檔后，其實說的都是攻擊行為建模。
(1) 滲透模型
(2)普通攻擊模型
(3)攻擊模型(升級版)
注意以上攻擊手段只是高度精煉的攻擊環(huán)節(jié)，實際的攻擊檢測中，我們需要盡可能精確的還原入侵場景(包括對應的正常場景是怎樣的)，從入侵場景中提煉關鍵環(huán)節(jié)，從而檢測出異常的攻擊行為。
在熟悉了殺生鏈(kill chain)后，接下來要做的就是在構(gòu)成鏈的每個環(huán)節(jié)進行狙擊，注意越往后成本越高。而每個階段的操作必然會雁過留痕，這些痕跡，就是我們進行數(shù)據(jù)分析的數(shù)據(jù)源，知道對什么數(shù)據(jù)進行分析是最最重要的(數(shù)據(jù)量要恰到好處，要多到足夠支撐數(shù)據(jù)分析與取證，要少到篩選掉噪音數(shù)據(jù))。
二、數(shù)據(jù)科學
在明確了我們要解決的問題，接下來我們來普及一下數(shù)據(jù)分析的基本流程：
從上圖可以看出，傳統(tǒng)的數(shù)據(jù)分析在模型選擇上都僅僅用了0——規(guī)則，1——統(tǒng)計分析，設置基線，依靠閾值的方法。
數(shù)據(jù)分析與領域知識是緊密耦合的，千萬不要誤入套用算法的誤區(qū)，要進行基于行為建模(攻擊行為，正常行為)的數(shù)據(jù)分析，可以從單點分析(單條數(shù)據(jù)的深度分析，例如分析單條HTTP請求是否是攻擊請求)，簡單的關聯(lián)分析(例如分析一個session下，多條HTTP請求的關聯(lián)關系，是否為掃描器行為，是否有嘗試繞過WAF的操作，是否符合攻擊鏈的關鍵步驟)，復雜的關聯(lián)分析(例如Web日志，數(shù)據(jù)庫日志，操作系統(tǒng)日志的聯(lián)動分析，例如SQL注入寫馬攻擊中HTTP請求對應的數(shù)據(jù)庫操作，主機操作)來逐步深入分析，當攻擊場景很復雜的時候，我們可以考慮從結(jié)果出發(fā)的方式來回溯，這些技巧都取決于領域知識。
下面列舉一些傳統(tǒng)的關聯(lián)技巧：
1.規(guī)則關聯(lián)
If the system sees an EVENT E1 where E1.eventType=portscan
followed by
an event E2 where E2.srcip=E1.srcip and E2.dstip = E1.dstip and
E2.eventType = fw.reject then
doSomething
2.漏洞關聯(lián)：將漏洞掃描數(shù)據(jù)和實時事件數(shù)據(jù)結(jié)合起來，以便幫助減少假陽性 false positive
e.g. 如果IDS檢測到了端口掃描，可以對網(wǎng)絡進行例行的漏洞掃描，來驗證問題中的主機是否真的打開了個端口，是否容易遭到攻擊
3.指紋關聯(lián)
4.反端口關聯(lián)
if (event E1.dstport != (Known_Open_Ports on event E1.dstip))
then
doSomething
5.關聯(lián)列表關聯(lián)： 外部情報列表，例如攻擊者列表
http://www.dshield.org/
6. 環(huán)境關聯(lián) e.g.如何知道公司的假期安排，可以使用這一信息，在每個人都不上班的時候發(fā)現(xiàn)內(nèi)部資源的訪問。
以上都是單靠領域知識感知威脅，領域知識的缺陷是太依賴于專家知識了，而專家知識是有限的，這個時候機器學習就可以發(fā)揮長度了，例如理工渣眼中的HMM及安全應用。
即使是使用機器學習也仍離不開安全領域知識，有安全領域背景的人在數(shù)據(jù)預處理階段、feature選擇階段會事半功倍，比如對訪問日志進行白名單建模時，從訪問日志中篩選出異常日志(攻擊日志、不存在的日志、服務器錯誤日志)，需要安全領域知識(知道什么是攻擊)、web服務器知識(知道什么是異常，url重寫)進行數(shù)據(jù)清理;比如HMM web安全檢測 feature的選擇，我們知道攻擊注入點在哪里，就不需要進行運氣流的feature選擇、降維處理。
機器學習雖然能彌補單靠領域知識分析的缺陷，但由于其存在準確率的問題而不能直接在線上應用，只存在于運維離線的環(huán)境下。或許是算法需要優(yōu)化，但個人認為能解決當前方法不能解決的問題就是很大的進步了，比如說能發(fā)現(xiàn)一個0 day。我想當電燈剛發(fā)明出來的時候，也是絕對沒有蠟燭好用，也希望架構(gòu)師們不要單一的靠準確率這個唯一的標準來評價機器學習的結(jié)果。
在知道了如何進行數(shù)據(jù)分析后，接下來的就是如何在數(shù)據(jù)量巨大的情況下進行分析。玩單機腳本的年代要一去不返了，分布式需要搞起。
三、大數(shù)據(jù)技術
我們要使用的大數(shù)據(jù)技術的核心其實就是是分布式存儲與分布式計算，當然能利用已有的數(shù)據(jù)預處理接口，算法接口也是很有幫助的。
以下是一個完整的大數(shù)據(jù)分析架構(gòu)圖：
得出這個架構(gòu)，也走了不少彎路，最開始由于不了解ElasticSearch的特性，采用的是直接使用ElasticSearch對數(shù)據(jù)源進行分析與結(jié)果存儲，ElasticSearch全文索引的設計決定了ta不適合頻繁寫操作并且會很夸張的擴大數(shù)據(jù)量，所以最后引入了更適合及時讀寫操作的HBase數(shù)據(jù)庫來做持久化存儲，同時增加了算法層這塊，只在ElasticSearch離存儲最終結(jié)果。
大數(shù)據(jù)有著龐大的生態(tài)圈，較之機器學習(人工智能，深度學習)的發(fā)展，數(shù)據(jù)存儲、數(shù)據(jù)計算方面簡直是突飛猛進，為算法的發(fā)展提供了良好的支撐，當然學習的成本也非常高。以下是入門的一些文章：
萬事具備，就差第四個能力——編程，這是將想法落實的能力，否則都是鏡花水月。不是有一句老話嗎?“Talk is cheap, show me the code”。
四、編程
對于戰(zhàn)斗力負5的渣，編程方面的心得是在太多了，每天都有新發(fā)現(xiàn)，這里就說說經(jīng)驗之談吧。
1. 語言選擇
先使用Python或者R去做小數(shù)據(jù)量(樣本數(shù)據(jù))的分析，然后使用Java實現(xiàn)分布式算法(在大數(shù)據(jù)的生態(tài)圈中，為了避免不必要的麻煩還是用原生語言Java好)。
2. 日志格式問題
日志處理中，輸入日志的格式會直接影響模型運行時間，特別是采用正則的方式對文本格式的輸入進行解析會極度消耗時間，所以在模型運算時需要先對日志進行序列化處理，Protocol Buffer就是很好的選擇，但千萬注意jar包的版本哦。
結(jié)語
大數(shù)據(jù)安全涉及的內(nèi)容非常深入，每個方面都是幾本厚厚的書，這里只是非常淺顯的漫談，給大家一幅平面的框架圖，期待更多的數(shù)據(jù)科學(數(shù)據(jù)分析，機器學習，大數(shù)據(jù)處理)領域的人進入這個行業(yè)，或者安全行業(yè)的人開拓自己在數(shù)據(jù)分析方面的深度，大數(shù)據(jù)安全將發(fā)展的更好，不僅僅是叫好不叫座了。
