摘要：爬蟲和反爬蟲日益成為每家公司的標(biāo)配系統(tǒng)。本文將描述一種盡量簡單的反爬蟲方案，可以在十幾分鐘內(nèi)解決部分簡單的爬蟲問題，緩解惡意攻擊或者是系統(tǒng)超負(fù)荷運行的狀況至于復(fù)雜的爬蟲以及更精準(zhǔn)的防御，需要另外討論。

爬蟲和反爬蟲日益成為每家公司的標(biāo)配系統(tǒng)。爬蟲在情報獲取、虛假流量、動態(tài)定價、惡意攻擊、薅羊毛等方面都能起到很關(guān)鍵的作用，所以每家公司都或多或少的需要開發(fā)一些爬蟲程序，業(yè)界在這方面的成熟的方案也非常多；有矛就有盾，每家公司也相應(yīng)的需要反爬蟲系統(tǒng)來達(dá)到數(shù)據(jù)保護(hù)、系統(tǒng)穩(wěn)定性保障、競爭優(yōu)勢保持的目的。

然而，一方面防守這事ROI不好體現(xiàn)，另一方面反爬蟲這種系統(tǒng)，相對簡單的爬蟲來說難度和復(fù)雜度都要高很多，往往需要一整套大數(shù)據(jù)解決方案才能把事情做好，因此只有少量的公司可以玩轉(zhuǎn)起來。當(dāng)出現(xiàn)問題的時候，很多公司往往束手無策。

本文將描述一種盡量簡單的反爬蟲方案，可以在十幾分鐘內(nèi)解決部分簡單的爬蟲問題，緩解惡意攻擊或者是系統(tǒng)超負(fù)荷運行的狀況；至于復(fù)雜的爬蟲以及更精準(zhǔn)的防御，需要另外討論。

整套方案會盡量簡單易懂，不會涉及到專門的程序開發(fā)，同時盡量利用現(xiàn)有的組件，避免額外組件的引入。內(nèi)容上主要分為三大部分：

訪問數(shù)據(jù)獲取。采集用戶的訪問數(shù)據(jù)，用來做爬蟲分析的數(shù)據(jù)源

爬蟲封禁。當(dāng)找到爬蟲后，想辦法去阻斷它后續(xù)的訪問

爬蟲分析。示例通過簡單策略來分析出爬蟲

數(shù)據(jù)獲取是做好反爬蟲系統(tǒng)的關(guān)鍵，常見的幾種模式

本篇，采用nginx的日志方式，這種只需要通過對常見的nginx最簡單的配置就能從遠(yuǎn)程獲取相應(yīng)的訪問日志

官方nginx配置：

log_format warden?"" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"
";
access_log syslog:server=127.0.0.1:9514?warden ;

tengine配置（編譯時帶上--with-syslog）

log_format warden?"" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"
";
access_log syslog:user::127.0.0.1:9514?warden ;

這里面需要注意的是：

由于較老的nginx官方版本不支持syslog，所以tengine在這塊功能上做了多帶帶的開發(fā)（需要通過編譯選項來啟用），在不確定的情況下，請修改配置 文件后先使用（nginx -t）來測試一下，如果不通過，需要重新在configure時加上syslog選項，并編譯。

盡量獲取了跟爬蟲相關(guān)的數(shù)據(jù)字段，如果有定制的http header，可以自行加上
采用udp方式來發(fā)送syslog，可以將訪問日志發(fā)送給遠(yuǎn)端分析服務(wù)，同時udp的方式保證nginx本身不會受到影響

訪問日志拿不到響應(yīng)的具體內(nèi)容（nginx有辦法搞定，但有代價），無法支持業(yè)務(wù)相關(guān)的防護(hù)

反爬蟲最后的生效，需要靠合理的封禁模式，這里比較幾種模式：
?

本段將介紹基于iptables的方案，雖然適用范圍較小；但是依賴少，可以通過簡單配置linux就能達(dá)到效果。

安裝ipset。ipset擴(kuò)充了iptables的基本功能，可以提供更加高效的訪問控制

# centos 6.5上面安裝非常簡單
sudo?yum?install?-y ipset

?

在iptables中建立相應(yīng)的ipset，來進(jìn)行訪問權(quán)限的封禁
?

# 新增用于封禁的ipset
sudo?ipset -N --exist warden_blacklist iphash
# 增加相應(yīng)的iptables規(guī)則
sudo?iptables -A INPUT -m?set?--set?warden_blacklist src -j DROP
# 保存iptables
sudo?service iptables save

?

獲取當(dāng)前封禁的ip黑名單，并導(dǎo)入到iptables里面去

sudo?ipset --exist destroy warden_blacklist_tmp;?sudo?ipset -N warden_blacklist_tmp iphash;?echo?"1.1.1.1,2.2.2.2"?|?tr?,?"
"?|?xargs?-n 1 -I {}?sudo?ipset -A warden_blacklist_tmp {} ;?sudo?ipset swap warden_blacklist_tmp warden_blacklist

?
這里為了盡可能的提升效率，作了以下事情：

建立臨時ipset，方便做操作

將當(dāng)前封禁黑名單中的ip提取出來，加入到此ipset（示例中用了最簡單的echo來展示，實際可相應(yīng)調(diào)整）

將ipset通過原子操作與iptables正在使用的ipset作交換，以最小的代價將最新的黑名單生效

要能精確的分析爬蟲，需要強大的數(shù)據(jù)分析平臺和規(guī)則引擎，來分析這個IP/設(shè)備/用戶分別在短時間區(qū)間/長時間范圍里的行為特征和軌跡，這里涉及到了非常復(fù)雜的數(shù)據(jù)系統(tǒng)開發(fā)，本文將通過簡單的shell腳本描述比較簡單的規(guī)則

nc -ul 9514 |?head?-100000 |?awk?-F?"" ""?"{print $2}"?|?sort?|?uniq?-c |?sort?-nr |?awk?"$1>=5000 {print $2}"

這里面：

udp服務(wù)監(jiān)聽nginx發(fā)過來的syslog消息，并取10000條，找到其中每條訪問記錄的ip

通過sort 和uniq來獲取每個ip出現(xiàn)的次數(shù)，并進(jìn)行降序排列

再通過awk找到其中超過閾值的ip，這就得到了我們所需要的結(jié)果。

nc -ul 9514 |?head?-100000 |?awk?-F?"" ""?"$10 ~ /java|feedly|universalfeedparser|apachebench|microsoft url control|python-urllib|httpclient/ {print $2}"?|?uniq

這里面：

通過awk的正則來過濾出問題agent，并將相應(yīng)ip輸出

關(guān)于agent的正則表達(dá)式列出了部分，可以根據(jù)實際情況去調(diào)整和積累

?

當(dāng)然，這里只是列舉了簡單的例子，有很多的不足之處

由于只采用了shell，規(guī)則比較簡單，可以通過擴(kuò)展awk或者其他語言的方式來實現(xiàn)更復(fù)雜的規(guī)則

統(tǒng)計的窗口是每100000條，這種統(tǒng)計窗口比較粗糙，好的統(tǒng)計方式需要在每條實時數(shù)據(jù)收到是對過去的一小段時間（例如5分鐘）重新做統(tǒng)計計算

不夠?qū)崟r，無法實時的應(yīng)對攻擊行為；生產(chǎn)環(huán)境中，需要毫秒級的響應(yīng)來應(yīng)對高級爬蟲

.......

所有模塊組合起來，做一個完整的例子。假設(shè)：

負(fù)載均衡192.168.1.1，使用了官方nginx，并配置了syslog發(fā)往192.168.1.2

192.168.1.2啟動nc server，每隔一段時間進(jìn)行分析，找出問題ip，并吐給192.168.1.1

192.168.1.1通過iptables進(jìn)行阻攔，數(shù)據(jù)來源于192.168.1.2的分析機(jī)器

除了nginx配置和iptables基本配置，前幾段的配置略作改動：

### nginx conf@192.168.1.1
log_format warden?"" "$remote_addr" "$remote_port" "$server_addr" "$server_port" "$request_length" "$content_length" "$body_bytes_sent" "$request_uri" "$host" "$http_user_agent" "$status" "$http_cookie" "$request_method" "$http_referer" "$http_x_forwarded_for" "$request_time" "$sent_http_set_cookie" "$content_type" "$upstream_http_content_type" "$request_body"
";
access_log syslog:server=192.168.1.2:9514 warden ;
?
### 分析@192.168.1.2, 增加了結(jié)果會吐，同時每隔60分鐘跑一次，把數(shù)據(jù)返回給192.168.1.1
?while?true?;?do?nc -ul 9514 |?head?-100000 |?awk?-F?"" ""?"{print $2}"?|?sort?|?uniq?-c |?sort?-nr |?awk?"$1>=5000 {print $2}"?|?tr?"
"?","?|?awk?"{print $0}"?| socat - UDP:192.168.1.1:9515? ;?sleep?3600 ;?done
?
### 阻斷@192.168.1.1
#基礎(chǔ)配置
sudo?ipset -N --exist warden_blacklist iphash
sudo?iptables -A INPUT -m?set?--set?warden_blacklist src -j DROP
sudo?service iptables save
?
#動態(tài)接收并更新iptables
while?true?;?do?sudo?ipset --exist destroy warden_blacklist_tmp;?sudo?ipset -N warden_blacklist_tmp iphash; socat UDP-LISTEN:9515 - |?tr?,?"
"?|?xargs?-n 1 -I {}?sudo?ipset -A warden_blacklist_tmp {} ;sudo?ipset swap warden_blacklist_tmp warden_blacklist ;?sudo?ipset list ;?done

以上只是簡單示例，實際中還是建議換成shell腳本
?

本文列出一種簡單的反爬蟲方案，由于過于簡單，可以當(dāng)做概念示例或者是救急方案，如果需要進(jìn)一步深化，需要在以下方面去加強：

強化數(shù)據(jù)源，可以通過流量獲得全量數(shù)據(jù)。目前爬蟲等網(wǎng)絡(luò)攻擊逐漸轉(zhuǎn)向業(yè)務(wù)密切相關(guān)的部分，往錢的方向靠近，所以需要更多的業(yè)務(wù)數(shù)據(jù)去支撐，而不僅僅是訪問日志

更靈活的阻斷，需要有多種阻斷手段和略復(fù)雜的阻斷邏輯

除卻ip，還需要考察用戶、設(shè)備指紋等多種追蹤方式，應(yīng)對移動環(huán)境和ipv6環(huán)境下，“IP”這一信息的力不從心

強化規(guī)則引擎和模型，需要考察更多用戶行為的特征，僅僅從頻率等手段只等應(yīng)對傻爬蟲，同時會造成誤殺率更高

建立數(shù)據(jù)存儲、溯源、統(tǒng)計體系，方便分析人員去分析數(shù)據(jù)并建立新的模型和規(guī)則。反爬蟲是一件持續(xù)性行為，需要良好的平臺來支撐。

可以根據(jù)實際需要去做好反爬蟲系統(tǒng)的集成。比如nginx數(shù)據(jù)-->反爬系統(tǒng)-->nginx阻斷；F5數(shù)據(jù)-->反爬系統(tǒng)-->F5阻斷

反爬蟲
文章來源：http://bigsec.com/

豈安科技聯(lián)合創(chuàng)始人，首席產(chǎn)品技術(shù)官
曾擔(dān)任PayPal資深高級工程師，在可信計算，計算機(jī)風(fēng)控等領(lǐng)域有深入的理論研究和成果；并在防欺詐和風(fēng)險監(jiān)控行業(yè)有多年且深厚的工作經(jīng)歷，擅長分布式系統(tǒng)和實時大數(shù)據(jù)計算。他參與豈安科技所有產(chǎn)品線的架構(gòu)和設(shè)計，帶領(lǐng)團(tuán)隊在數(shù)據(jù)挖掘、多媒體分析、跨數(shù)據(jù)中心分布式系統(tǒng)、高性能實時大數(shù)據(jù)計算、海量數(shù)據(jù)采集等領(lǐng)域進(jìn)行前沿研究和產(chǎn)品化，幫助客戶更好的解決內(nèi)部的安全和風(fēng)控問題。