摘要：小安分析的數據主要是用戶使用代理訪問日志記錄信息，要分析的原始數據以的形式存儲。下面小安帶小伙伴們一起來管窺管窺這些數據。在此小安一定一定要告訴你，小安每次做數據分析時必定使用的方法方法。

隨著網絡安全信息數據大規模的增長,應用數據分析技術進行網絡安全分析成為業界研究熱點，小安在這次小講堂中帶大家用Python工具對風險數據作簡單分析，主要是分析蜜罐日志數據，來看看一般大家都使用代理ip干了一些啥事。

大家可能會問啥是蜜罐，網上一些黑客或技術人員經常做一些＂事情＂的時候，需要隱藏自己身份，這樣他們會使用代理IP來辦事。而蜜罐(Honeypot)是一種新型的主動防御的安全技術，它是一個專門為了被攻擊或入侵而設置的欺騙系統——既可以用于保護產品系統，又可用于搜集黑客信息，是一種配置靈活、形式多樣的網絡安全技術。

說得通俗一點就是提供大量代理IP，引誘一些不法分子來使用代理這些代理ip，從而搜集他們的信息。

工欲善其事，必先利其器，在此小安向大家介紹一些Python數據分析的“神兵利器“。

Python中著名的數據分析庫Panda

Pandas庫是基于NumPy 的一種工具，該工具是為了解決數據分析任務而創建，也是圍繞著 Series 和 DataFrame 兩個核心數據結構展開的，其中Series 和 DataFrame 分別對應于一維的序列和二維的表結構。

Pandas提供了大量能使我們快速便捷地處理數據的函數和方法。這個庫優點很多，簡單易用，接口抽象得非常好，而且文檔支持實在感人。你很快就會發現，它是使Python成為強大而高效的數據分析環境的重要因素之一。

數據可視化采用Python上最常用的Matplotlib庫

Matplotlib是一個Python的圖形框架，也是Python最著名的繪圖庫，它提供了一整套和Matlab相似的命令API，十分適合交互式地進行制圖。

我們有了這些“神兵利器“在手，下面將帶大家用Python這些工具對蜜罐代理數據作一個走馬觀花式的分析介紹。

啟動IPython notebook，加載運行環境：

%matplotlib inline
import pandas as pd
from datetime import timedelta, datetime
import matplotlib.pyplot as plt
import numpy as np

俗話說: 巧婦難為無米之炊。小安分析的數據主要是用戶使用代理IP訪問日志記錄信息，要分析的原始數據以CSV的形式存儲。這里首先要介紹到pandas.read_csv這個常用的方法，它將數據讀入DataFrame。

analysis_data = pd.read_csv("./honeypot_data.csv") 

對的, 一行代碼就可以將全部數據讀到一個二維的表結構DataFrame變量，感覺很簡單有木有啊！！！當然了用Pandas提供的IO工具你也可以將大文件分塊讀取，再此小安測試了一下性能，完整加載約21530000萬條數據也大概只需要90秒左右，性能還是相當不錯。

3.數據管窺

一般來講，分析數據之前我們首先要對數據有一個大體上的了解，比如數據總量有多少，數據有哪些變量，數據變量的分布情況，數據重復情況，數據缺失情況，數據中異常值初步觀測等等。下面小安帶小伙伴們一起來管窺管窺這些數據。

使用shape方法查看數據行數及列數

analysis_data.shape
Out: (21524530, 22) #這是有22個維度，共計21524530條數據記的DataFrame

使用head()方法默認查看前5行數據，另外還有tail()方法是默認查看后5行,當然可以輸入參數來查看自定義行數

analysis_data.head(10) 

這里可以了解到我們數據記錄有用戶使用代理IP日期，代理header信息，代理訪問域名，代理方法，源ip以及蜜罐節點信息等等。在此小安一定一定要告訴你，小安每次做數據分析時必定使用的方法–describe方法。pandas的describe()函數能對數據進行快速統計匯總：

對于數值類型數據，它會計算出每個變量： 總個數，平均值，最大值，最小值，標準差，50%分位數等等；
非數值類型數據，該方法會給出變量的： 非空值數量、unique數量(等同于數據庫中distinct方法)、最大頻數變量和最大頻數。

由head()方法我們可以發現數據中包含了數值變量、非數值變量，我們首先可以利用dtypes方法查看DataFrame中各列的數據類型，用select_dtypes方法將數據按數據類型進行分類。然后，利用describe方法返回的統計值對數據有個初步的了解：

df.select_dtypes(include=["O"]).describe() 

df.select_dtypes(include=["float64"]).describe()

簡單的觀察上面變量每一維度統計結果，我們可以了解到大家獲取代理數據的長度平均1670個字節左右。同時，也能發現字段scan_os_sub_fp，scan_scan_mode等存在空值等等信息。這樣我們能對數據整體上有了一個大概了解。

由于源數據通常包含一些空值甚至空列，會影響數據分析的時間和效率，在預覽了數據摘要后，需要對這些無效數據進行處理。

一般來說，移除一些空值數據可以使用dropna方法， 當你使用該方法后，檢查時發現 dropna() 之后幾乎移除了所有行的數據，一查Pandas用戶手冊，原來不加參數的情況下， dropna() 會移除所有包含空值的行。

如果你只想移除全部為空值的列，需要加上 axis 和 how 兩個參數：

analysis_data.dropna(axis=1, how="all")

另外，也可以通過dropna的參數subset移除指定列為空的數據，和設置thresh值取移除每非None數據個數小于thresh的行。

analysis_data.dropna(subset=["proxy_host", "srcip"])
#移除proxy_host字段或srcip字段沒有值的行
analysis_data.dropna(thresh=10)
#移除所有行字段中有值屬性小于10的行

再對數據中的一些信息有了初步了解過后，原始數據有22個變量。從分析目的出發，我將從原始數據中挑選出局部變量進行分析。這里就要給大家介紹pandas的數據切片方法loc。

loc([start_row_index:end_row_index,[‘timestampe’, ‘proxy_host’, ‘srcip’]])是pandas重要的切片方法，逗號前面是對行進行切片；逗號后的為列切片，也就是挑選要分析的變量。

如下，我這里選出日期，host和源IP字段——

analysis_data = analysis_data.loc([:, [‘timestampe’,"proxy_host","srcip"]])

首先讓我們來看看蜜罐代理每日使用數據量，我們將數據按日統計，了解每日數據量PV，并將結果畫出趨勢圖。

daily_proxy_data = analysis_data[analysis_data.module=="proxy"]
daily_proxy_visited_count = daily_proxy_data.timestamp.value_counts().sort_index()
daily_proxy_visited_count.plot()

對數據列的丟棄，除無效值和需求規定之外，一些表自身的冗余列也需要在這個環節清理，比如說DataFrame中的index號、類型描述等，通過對這些數據的丟棄，從而生成新的數據，能使數據容量得到有效的縮減，進而提高計算效率。

由上圖分析可知蜜罐代理使用量在6月5號，19-22號和25號這幾天呈爆炸式增長。那么這幾天數據有情況，不正常，具體是神馬情況，不急，后面小安帶大家一起來慢慢揪出來到底是那些人(源ip) 干了什么“壞事”。

進一步分析, 數據有異常后，再讓我們來看看每天去重IP數據后量及其增長量。可以按天groupby后通過nunique()方法直接算出來每日去重IP數據量。

daily_proxy_data = analysis_data[analysis_data.module=="proxy"]
daily_proxy_visited_count = daily_proxy_data.groupby(["proxy_host"]).srcip.nunique()
daily_proxy_visited_count.plot()

究竟大部分人（源ip）在干神馬？干神馬？干神馬？讓我們來看看被訪問次數最多host的哪些，即同一個host關聯的IP個數，為了方便我們只查看前10名熱門host。

先選出host和ip字段，能過groupby方法來group 每個域名(host)，再對每個域名的ip訪問里unique統計。

host_associate_ip = proxy_data.loc[:, ["proxy_host", "srcip"]]
grouped_host_ip = host_associate_ip.groupby(["proxy_host"]).srcip.nunique()
print(grouped_host_ip.sort_values(ascending=False).head(10))

再細細去看大家到底做了啥——查看日志數據發現原來在收集像二手車價格，工人招聘等等信息。從熱門host來看，總得來說大家使用代理主要還是獲取百度，qq，Google，Bing這類婦孺皆知網站的信息。

下面再讓我們來看看是誰用代理IP“干事”最多，也就是看看誰的IP訪問不同host的個數最多。

host_associate_ip = proxy_data.loc[:, ["proxy_host", "srcip"]]
grouped_host_ip = host_associate_ip.groupby(["srcip"_host"]).proxy_host.nunique()
print(grouped_host_ip.sort_values(ascending=False).head(10))

哦，發現目標IP為123..*.155的小伙子有大量訪問記錄, 進而查看日志，原來他在大量收集酒店信息。 好了，這樣我們就大概能知道誰在干什么了，再讓我們來看看他們使用proxy持續時長，誰在長時間里使用proxy。 代碼如下——

這里不給大家細說代碼了，只給出如下偽代碼。

date_ip = analysis_data.loc[:,["timestamp","srcip"]]
grouped_date_ip = date_ip.groupby(["timestamp", "srcip"])
#計算每個源ip(srcip)的訪問日期
all_srcip_duration_times = ...
#算出最長連續日期天數
duration_date_cnt =  count_date(all_srcip_duration_times)

好了，到此我也就初略的知道那些人做什么，誰用代理時長最長等等問題額。取出ip = 80...38的用戶使用代理ip訪問數據日志，發現原來這個小伙子在長時間獲取搜狐images。

蜜罐在全國各地部署多個節點，再讓我們來看看每個源ip掃描蜜罐節點總個數，了解IP掃描節點覆蓋率。結果見如下：

# 每個IP掃描的IP掃描節點總個數
node = df[df.module=="scan"]
node = node.loc[:,["srcip","origin_details"]]
grouped_node_count = node.groupby(["srcip"]).count()
print grouped_node_count.sort_values(["origin_details"], ascending=False).head(10)

由上述兩表初步可知，一些結論：如源ip為182...205的用戶長時間對蜜罐節點進行掃描，mark危險用戶等等。

給大家簡單介紹的用python工具，主要是pandas庫來分析數據，當然這個庫的功能非常強大，更多的還是要大家自己去使用和探索。

反爬蟲

文章來源：http://bigsec.com/