如何使用深度学习检测XSS-深度检测算法

一、前言

众所周知，深度学习在计算机视觉、自然语言处理、人工智能等领域取得了极大的进展，在安全领域也开始崭露头角走向了实际应用。本文中进行的实验主要以文本分类的方法，使用深度学习检测XSS攻击，由于本人是初学者，难免对算法本身的理解不够确切，所以本文尽量使用通俗简单的方式介绍算法，不会过多的讲解细节，以免误导大家。

二、数据集

安全领域的公开数据集非常的稀缺，本文提供的实验数据包含两个部分：从xssed爬取的黑样本作为正样例，有4万多条;另外提供约20万条正常的http get请求记录作为负样例，为了保证数据安全，去除了url中的host、path等信息，仅保留了payload的部分。

以上数据url编码后保存在csv中，由于部分原始数据进行过url编码，所以要两次url解码后才能使用。

正样例：

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> 
1.
2.
3.

负样例：

_=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 
1.
2.
3.

三、分词

使用文本分类的方法自然涉及到如何将文本分词。观察以上正样例，人是如何辨别XSS的：参数内包含完整可执行的HTML标签和DOM方法。所以要支持的分词原则为：

单双引号包含的内容 ‘xss’

http/https链接

<>标签 <script>

<>开头 <h1

参数名 topic=

函数体 alert(

字符数字组成的单词

另外，为了减小分词数量，需要把数字和超链接范化，将数字替换为”0”,超链接替换为http://u。

实现的代码如下：

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)  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.

分词后的正样例：

['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>'] 
1.
2.
3.

分词后的负样例：

['_=', '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'] 
1.
2.
3.

四、嵌入式词向量

如何将分词后的文本转化为机器学习的问题，第一步是要找到一种方法把这些词数学化。最常见的方法是独热编码(one-hot)，这种方法是把词表表示为一个很长的向量，只有一个维度的值为1，其他都为0，如””””<script>”表示为[0,0,0,1,0,0,0,0…….]。这种方法存在一个重要的问题是，构成文本的向量是极其稀疏的，词与词之间是相互独立的，机器学习无法理解词的语义。嵌入式词向量就是通过学习文本来用词向量表征词的语义信息，通过将词嵌入空间使得语义相似的词在空间内的距离接近。空间向量可以表达如“话筒”和“麦克”这样的同义词，”cat”、”dog”、”fish”等词在空间中也会聚集到一起。

在这里我们要使用嵌入式词向量模型建立一个XSS的语义模型，让机器能够理解<script>、alert()这样的HTML语言。取正样例中出现次数最多的3000个词，构成词汇表，其他的词标记为“UKN”，使用gensim模块的word2vec类建模，词空间维度取128维。

核心代码：

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  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.

五、数据预处理

通过建立好的词向量模型，我们就可以用空间向量表示一个文本，结合前面的过程，完整的流程如图：

最后将全部数据随机切分为70%训练数据和30%测试数据，用于以下三个神经网络的训练和测试，代码示例：

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)  
1.
2.
3.

六、多层感知机

多层感知机(MLP)包含一个输入层、输出层和若干隐藏层。Keras可以使用Tensorflow作为后端轻松实现多层感知机,最终整个算法的准确率为99.9%，召回率为97.5%。核心代码如下：

模型训练：

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])  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.

测试：

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)  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.

七、循环神经网络

循环神经网络是一种时间递归神经网络，能够理解序列中上下文的知识，同样使用Keras建立网络，最终模型的准确率为99.5%，召回率为98.7%。核心代码：

模型训练：

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])  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.

使用tensorboard对网络的可视化：

八、卷积神经网络

卷积神经网络(CNN)相对于MLP网络减少了需要训练的参数数量，降低了计算量，同时能够提炼深度特征进行分析，这里使用类似于Google VGG的一维卷积神经网络，包含四个卷积层、两个最大池化层、一个全连接层，最终的准确率为99.5%，召回率为98.3%，核心代码：

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])  
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.

九、总结

本文介绍了如何使用嵌入式词向量建立XSS语义识别模型，并分别使用MLP、循环神经网络、卷积神经网络三种算法检测XSS攻击，三种算法都取得了不错的效果。