摘要：在不便中，一直蘊藏著技術革新的機會這時，機器學習來了機器學習是解決安全問題的金鑰匙機器學習其實早已到來。正因為安全問題本質是特定領域內的識別問題，所以從理論上講，機器學習非常適合應用在安全領域，是解決安全問題的金鑰匙。

作者簡介：

叢磊

白山合伙人兼工程副總裁。
叢磊先生2016年加入白山，主要負責云聚合產品的研發管理和云鏈產品體系構建等。
叢磊2006年至2015年就職于新浪，原SAE（SinaAppEngine）創始人，曾任總負責人兼首席架構師，2010年起，帶領新浪云計算團隊從事云相關領域的技術研發工作。（注：SAE是國內最大的公有云PaaS平臺，擁有70萬用戶。）
叢磊擁有10項發明專利，現任工信部可信云服務認證評委。

距離2006年Amazon發布EC2服務已經過去了11年，在這11年里，發生的不僅僅是AWS收入從幾十萬美金上漲到100多億美金，更重要的是云計算已經走進每一家企業。根據信通院發布的“2016云計算白皮書”，目前近90%的企業都已經開始使用云計算（包括公有云、私有云等），這說明大規模云化對于企業而言已經不只是趨勢，更是確鑿的既成事實。

云化普及的同時也給安全帶來很多挑戰，主要包括：

云化導致以硬件設備為主的傳統安全方式失效。我在跟企業交流時，不止一家企業提出了這樣的擔心：在上公有云的過程中，因為無法把已購買的硬件防護搬到云上，所以非常擔心業務安全性。有趣的是，他們對于上云后的流量層攻擊反倒不擔心，因為他們認為云上的高防IP等產品可以解決大部分問題。云化導致了業務層的安全空白，這不僅發生在公有云環境，在私有云環境也時有發生，以OpenStack Icehouse版本為例，至今仍缺少能夠有效橫向擴展的Web安全組件。

云化導致攻擊/作惡成本大大降低。云是IT領域里“共享經濟”的再升級，從最早的IDC租用升級進化到Linux kernel namespace租用，但這種“共享經濟”在給企業帶來成本降低、使用便利等益處的同時，也順便給攻擊者帶來了同樣的好處。按目前市場行情，攻擊者租用一個公網彈性IP的成本可低至1元/天，租用一個IaaS平臺的hypervisor層的計算環境，每日成本也只有幾元，如果是container層的計算環境，成本還要更低。如此低的成本，致使攻擊者不再像過去那樣花大力氣挖掘培養肉機，而是可以在瞬間輕松擁有用于攻擊的計算網絡資源。以白山服務的某著名互聯網招聘領域客戶為例，攻擊者最多可以在一天內動用上萬個IP以極低的頻率爬取核心用戶簡歷。

云化導致業務可控性降低，遭遇攻擊的風險大大提高。實際上云客觀造成了業務的復雜性和不可控性：大量自身或合作方的業務都跑在同一個云上，其中任何一個業務被攻擊，都有可能對其他部分造成影響。不可否認，現有的hypervisor隔離技術很成熟，以CPU為例，通過計算時間片分配進而在執行指令間插入各種自旋鎖可以精確控制執行體的CPU分配，其他資源包括內存、IO也都可以恰當的控制。但在所有資源里，隔離性最脆弱的就是網絡，尤其是公網，畢竟NAT出口、域名等很難被隔離。

所以，我們不得不面對這樣的現實：在享受云計算時代紅利的同時，面臨的業務層安全問題也越來越嚴重。

遺憾的是，很多傳統安全產品并沒有跟上這個時代。最明顯的例子，15年前的防火墻就依靠著在命令行設定各種各樣的policy工作；而15年后的今天，一切的變化只是由命令行設定policy變成了界面設置policy，這不得不說是一種悲哀！

我曾經聽某著名安全廠商的布道師演講，“買了我們的產品不代表你的業務就安全了，你必須學會怎么配置！”，這話聽起來有道理，但遺憾的是，大多數公司的安全人員并不是公司的業務開發者，他們不知道業務頁面應該從哪個referer過來、不應該接受哪個user-agent的請求，也不知道某個接口應該接受哪些參數，甚至不知道業務對于單個用戶的合理訪問頻率區間。更遺憾的是，這些傳統安全產品價值不菲，在你花了上百萬銀子后，很可能毫無作用，而最悲哀之處在于“你以為它在起作用！”

傳統的安全產品因為必須要串接到業務中間，這帶來了極大的不穩定性。雖然某些先進的硬件機制可以通過技術降低這個風險，但仍不可避免的是：串接會帶來性能延遲+帶寬瓶頸。有些企業一開始購買了100Mbps吞吐量的硬件安全產品，但當業務突增時，硬件卻無法自由橫向擴容。更麻煩的是，串行模式一旦分析的維度變得復雜（如策略變多時），就注定會造成業務的訪問延遲；而分析維度一旦少，如退化為只做固定時間內訪問頻率限制，又會造成識別錯誤率上升。這是傳統安全產品無法解決的永恒矛盾體。

不幸的是，雖然傳統安全產品存在諸多問題，但很多用戶仍在默默忍受，甚至習慣了每天配置策略的工作。但這并不意味著合理。

在不便中，一直蘊藏著技術革新的機會！這時，機器學習來了！

機器學習其實早已到來。由上圖中可以看出，目前大紅大紫的深度學習，其源頭-神經網絡，早在上世紀70年代就已經被提出。從上世紀80年代到本世紀，機器學習本身經歷了幾次平淡期和爆發期，隨著大數據的發展和一些熱點事件（如AlphaGo戰勝李世石）機器學習又一次進入爆發期。

那么大數據和機器學習具有什么關系呢？這還要和深度學習掛鉤，從理論上講，深度學習本質上是利用多層的神經網絡計算，代替傳統特征工程的特征選取，從而達到媲美甚至超越傳統特征工程進行分類算法的效果?；谶@個邏輯，當標注樣本足夠多時（即所謂“大數據”），通過深度學習就可以構造出非常強大的分類器，如判斷一個圍棋的棋局對哪方有利。

AI隨著目前深度學習的火爆看似非常強大，但不幸的是，坦白講目前AI的發展成熟度遠沒有達到可以取代人腦抑或接近人腦的水平。根據圖靈測試理論，AI本身要解決的問題無外乎：識別、理解、反饋。

這三個問題逐步遞進，真正智能的機器人最終可以跟人腦一樣反饋，從而在圖靈測試中無法區分它是人還是機器。

按當前AI發展情況，“識別”的進展目前效果最好，無論是圖像、語音還是視頻，目前很多廠商都可以做到很高的識別率；但“理解”就差強人意了，大家都用過蘋果的Siri，它還未能達到與人真正對話的程度；而反饋就更難了，這要求在理解的基礎上不斷地應變，同一個問題可能因對方身份、心情、交流場合不同，以不同的語氣語調做出不同反應。

所以，目前應用機器學習效果非常好的領域，幾乎都是某個特定領域內的識別問題，并非通用領域，如人臉識別、人機對弈（人機對弈本質上也是某個棋種領域的識別問題：機器通過學習成千上萬的棋局后，就可以自動識別某一棋局在一方走的情況下對誰有利。）

非常幸運的是，安全領域中問題大多是特定場景下的識別問題，而非通用場景，也并未涉及理解和反饋，你只需要把相關數據交給機器學習系統，讓它做出識別判斷即可：安全或者不安全，不安全的原因。

正因為安全問題本質是特定領域內的識別問題，所以從理論上講，機器學習非常適合應用在安全領域，是解決安全問題的金鑰匙。

雖然機器學習早已存在，但是長久以來并未改變安全市場，以“土辦法（設定策略）”立足的產品仍舊占據主導地位，究其原因，主要有以下幾點：

1.不同于其他通用領域，安全領域的樣本標注成本較高。對于機器學習而言，擁有海量、完整、客觀、準確的標注樣本異常重要，標注樣本越多、越全面，訓練出來的分類器才可能越準確。對于所有行業來講，獲取樣本（標注樣本）都并不容易，而安全領域尤為困難。如對人臉識別的標注，初中生甚至小學生就可以完成，但對于一次安全的威脅事件，就需要極具經驗的安全人員才可以完成，兩者的成本差距十分巨大。

如上圖所示，這個注入攻擊經多次復雜編碼，非專業人事很難進行樣本標注。所以目前在通用場景下，之所以安全領域中深度學習落地并不多，主要原因也是很難獲取海量的標注數據。

2.不同于通用領域，安全領域的場景特點更加明顯，判斷攻擊的標準會隨著業務特點的不同而不同。以最簡單的CC攻擊為例，600次/分鐘的訪問對于某些企業可能意味著破壞性攻擊，但對其它企業則屬于正常訪問范圍。所以，即便有大量的標注樣本，某一企業的標注樣本可能對于其他企業毫無用處，這也是導致安全領域應用機器學習較為困難的另一個重要原因。

3.針對傳統的文本型攻擊，傳統思維認為簡單的特征工程，甚至直接的正則匹配更有效。

我們把Web攻擊分為行為型攻擊和文本型攻擊兩類：

行為型攻擊：每個請求看起來都是正常的，但將其連接成請求走勢圖時，就會發現問題，如爬蟲、撞庫、刷單、薅羊毛等。以刷粉行為為例：每個請求看起來都是正常的，但攻擊者可能動用大量IP在短時間內注冊大量賬號，并關注同一個用戶。只有我們把這些行為連接起來一起分析時，才能發現問題。

文本型攻擊：傳統的漏洞類攻擊，如SQL注入、命令注入、XSS攻擊等，單純的把一個請求看成是一段文本，通過文本的特征即可識別其是否為攻擊。

當特征的維度空間較低，且有些維度的區分度很高時，通過簡單的線性分類器，就可以實現不錯的準確率，例如我們簡單的制定一些SQL注入的正則規則，也可以適用于很多場景。但是，這樣的傳統思維卻忽略了召回率問題，實際上也很少有人知道，通過SQL注入的正則規則，可以達到多少的召回率。同時，在某些場景，假如業務的正常接口通過JSON傳遞SQL語句，那么這種基于正則規則的分類器就會產生極高的誤判。

然而傳統安全廠商還尚未意識到這些問題。

4.傳統安全人員并不了解機器學習。這是一個不爭的事實，大量傳統安全公司的安全人員精于構造各種漏洞探測、挖掘各種邊界條件繞過，善于制定一個又一個的補丁策略，卻并不擅長AI機器學習方面的內容，這也說明了這種跨界人才的稀缺和重要。

正是由于以上原因，AI智能的安全產品遲遲沒有出現，但沒人可以否認，用戶其實早已厭倦policy驅動的規則模式，期待有一種可以適應大多數場景、能夠針對行為或文本做深入分析、不需要復雜配置就可以達到高準確率和召回率的Web安全產品。

于是，我們用AI重新定義Web安全，因為我們堅信異常行為和正常行為可以通過特征識別被區分。

那如何解決安全領域的樣本標注問題呢？機器學習分為兩大類：監督學習和無監督學習。監督學習要求有精準的標注樣本；而無監督學習則無需標注樣本，即可以針對特征空間進行聚類計算。在標注困難的安全領域，顯然無監督學習是一把利器。

應用無監督學習

無監督學習無需事先準備大量標注樣本，通過特征聚類就可以將正常用戶和異常用戶區分開，從而避免大量樣本標注的難題。聚類的方式有很多，如距離聚類、密度聚類等，但其核心仍是計算兩個特征向量的距離。在Web安全領域，我們獲得的數據往往是用戶的HTTP流量或 HTTP日志，在做距離計算時，可能會遇到一個問題：每個維度的計算粒度不一樣，如兩個用戶的向量空間里HTTP 200返回碼比例的距離是兩個float值的計算，而request length的距離則是兩個int值的計算，這就涉及粒度統一歸一化的問題。在這方面有很多技巧，比如可以使用Mahalanobis距離來代替傳統的歐式距離，Mahalanobis距離的本質是通過標準差來約束數值，當標準差大時，說明樣本的隨機性大，則降低數值的權值，反之，當標準差小的時候，說明樣本具有相當的規律性，則提高數值的權值。

無監督的聚類可以利用EM計算模型，可以把類別、簇數或者輪廓系數（Silhouette Coefficient）看成EM計算模型中的隱變量，然后不斷迭代計算來逼近最佳結果。最終我們會發現，正常用戶和異常聚成不同的簇，之后就可以進行后續處理了。當然，這只是理想情況，更多情況下是正常行為與異常行為分別聚成了很多簇，甚至還有一些簇混雜著正常和異常行為，那么這時就還需要額外技巧處理。

學習規律

無監督聚類的前提是基于用戶的訪問行為構建的向量空間，向量空間類似：

[key1:value1,key2:value2,key3:value3...]

這里就涉及兩個問題：“如何找到key”以及“如何確定value”。

找到合適的key本質是特征選擇問題，如何從眾多的特征維度中，選擇最具有區分度和代表性的維度。為什么不像某些DeepLearning一樣，將所有特征一起計算？這主要是考慮到計算的復雜度。請注意：特征選擇并不等同于特征降維，我們常用的PCA主成分和SVD分解只是特征降維，本質上DeepLearning的前幾層某種意義上也是一種特征降維。

特征選擇的方法可以根據實際情況進行。實驗表明在有正反標注樣本的情況下，隨機森林是一個不錯的選擇。如果標注樣本較少或本身樣本有問題，也可以使用Pearson距離來挑選特征。

最終，用戶的訪問行為會變成一組特征，那特征的value如何確定？以最重要的特征——訪問頻率為例，多高的訪問頻率值得我們關注？這需要我們對于每個業務場景進行學習，才能確定這些key的value。

學習的規律主要包括兩大類：

行為規律：自動找出路徑的關鍵點，根據狀態轉移概率矩陣，基于PageRank的power method計算原理，網站路徑的狀態轉移矩陣的最大特征值代表的就是其關鍵路徑（關鍵匯聚點和關鍵發散點），然后順著關鍵點，就可以學習到用戶的路徑訪問規律。

文本規律：對于API，可以學習出其輸入輸出規律，如輸入參數數量、每個參數的類型（字符串or數字or郵箱地址等）、參數長度分布情況，任何一個維度都會被學習出其概率分布函數，然后就可以根據該函數計算其在群體中的比例。即便是最不確定的隨機分布，利用切比雪夫理論也可以告訴我們這些值異常。例如：假如GET /login.php?username=中的username參數，經過統計計算得出平均長度是10，標準差是2，如果有一個用戶輸入的username長度是20，那么該用戶的輸入在整體里就屬于占比小于5%群體的小眾行為。
通過特征選擇和行為、文本規律學習，我們就可以構建出一套完整且準確的特征空間將用戶的訪問向量化，進而進行無監督學習。

讓系統越來越聰明

如果一個系統沒有人的參與，是無法變得越來越聰明的，強大如AlphaGo也需要在同人類高手對弈中不斷強化自己。在安全領域，雖然完全的樣本標注不可能，但是我們可以利用半監督學習的原理，挑選具有代表性的行為交給專業的安全人員判斷，經過評定校正，整個系統會越發聰明。安全人員的校正可以與強化學習和集成學習結合實現，對于算法判斷準確的情況，可以加大參數權重，反之則可以適當減少。

類似的想法出現于國際人工智能頂級會議CVPR 2016的最佳論文之一，“AI2: Training a big data machine to defend”，MIT的startup團隊，提出了基于半監督學習的AI2系統，可以在有限人工參與的情況下，讓安全系統更安全更智能。

重新定義Web安全

基于上述幾點，我們基本可以勾勒出基于AI的Web安全的基本要素：

從圖中可以看到，所有算法均包含在實時計算框架內。實時計算框架要求數據流的輸入、計算、輸出都是實時的，這樣才可以保證在威脅事件發生時系統迅速做出反應。但是，實時計算的要求也增加了很多挑戰和難點，一些傳統離線模式下不是問題的問題，在實時計算下會突然變成難題。如最簡單的中位數計算，要設計一套在實時流輸入的情況下同時還能保證準確性的中位數算法并不容易，T-digest是一個不錯的選擇，可以限定在O(K)的內存使用空間。還有一些算法可以實現在O(1)內存占用的情況下計算相對準確的中位數。

綜上所述，我們可以看出利用AI實現Web安全是一個必然的趨勢，它可以顛覆傳統基于policy配置模式的安全產品，實現準確全面的威脅識別。但是，構造基于AI的安全產品本身也是一個復雜的工程，它涉及特征工程、算法設計和驗證，以及穩定可靠的工程實現。

白山一直在基于AI的Web安全方面探索，并于2017年7月正式推出ATD（Advanced Threat Detection，深度威脅識別）產品，可以準確識別并攔截各種行為或者文本攻擊，包括爬蟲、惡意注冊、撞庫、刷單刷票、薅羊毛、各種注入攻擊腳本攻擊等，短短半年內已經積累了30余家大中型企業客戶。實踐證明，機器學習確實在Web安全方面收效頗佳，如：

國內某Top3招聘網站，長期以來一直被爬取簡歷，這些惡意爬蟲非常智能，在User-agent、referer等字段上完全模擬正常用戶，并內嵌PhantomJS，可以執行JavaScript腳本，使傳統的JS跳轉防御方式完全失效。這些爬蟲動用大量彈性IP，以極低頻率抓取，據統計，單個客戶端每天最低可以低至十次以下，傳統的安全產品對此完全喪失防御能力。而基于機器學習的 ATD則可以通過特征向量建模，準確區分低頻爬蟲與正常用戶行為。經驗證，準確率高達99.98%。

國內某Top3直播平臺，存在大量的惡意刷分刷排名情況，這種行為破壞了平臺的公平性，本質上損害了平臺利益。作惡團伙事先批量注冊大量小號，在需要時沖排名。這些行為顯然傳統安全產品無能為力，某些新興安全產品雖然可以解決，但需要大量定制化規則，通用性較差。機器學習算法正好彌補了以上不足，通過行為分析可以計算出關鍵路徑和規律，然后利用子圖識別等算法分析出作惡團伙，最終輸出ID賬號。經用戶驗證，ATD的準確率高達99%以上，召回率比傳統安全產品提高10倍以上。

總之，基于AI的Web安全是新興的技術領域，雖然目前還處于發展期，但最終一定會取代以policy為驅動的傳統安全產品，成為保證企業Web安全的基石。