2016年美國(guó)黑帽大會(huì)(BlackHat USA 2016)對(duì)與會(huì)的安全從業(yè)人員最關(guān)心的安全威脅進(jìn)行調(diào)查，發(fā)現(xiàn)黑客們最關(guān)心的是：“Phishing,social network exploits, or other forms of social engineering ”，該安全威脅占比46%，排名第一(2015年排名第二)[1]。

基于社會(huì)工程的網(wǎng)絡(luò)雖攻擊出現(xiàn)已久，一直是較為關(guān)注的一種有效攻擊手段;尤其是魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)，因其成效顯著且傳統(tǒng)的安全性防御機(jī)制無(wú)法阻止這類(lèi)攻擊類(lèi)型，仍然是大眾關(guān)注的目標(biāo)。而且90%的APT攻擊也是通過(guò)網(wǎng)絡(luò)釣魚(yú)來(lái)完成。

??

圖1 2016 Black HatAttendee Survey(USA)

此外，機(jī)器學(xué)習(xí)(machine learning，以下簡(jiǎn)稱(chēng)ML)在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用已經(jīng)有廣泛研究，目前大多用于網(wǎng)絡(luò)攻防中的“防”，包括入侵檢測(cè)、僵尸網(wǎng)絡(luò)流量識(shí)別、漏洞掃描等，但是ML也容易被黑客利用進(jìn)行惡意攻擊。

本文將介紹一種基于機(jī)器學(xué)習(xí)的社會(huì)工程模型—自動(dòng)化魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)。

一、 魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)

區(qū)別于普通網(wǎng)絡(luò)釣魚(yú)，魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)是針對(duì)特定目標(biāo)進(jìn)行定制的網(wǎng)絡(luò)釣魚(yú)攻擊。攻擊者會(huì)花時(shí)間了解攻擊目標(biāo)，包括姓名、郵箱地址、社交媒體賬號(hào)或者任何在網(wǎng)上參與過(guò)的內(nèi)容等。攻擊目標(biāo)不是一般個(gè)人，而是特定的公司或者組織的成員，竊取的資料也并非個(gè)人的資料，而是其他高度敏感性資料[2]。

?[[190077]]?

圖2 普通網(wǎng)絡(luò)釣魚(yú)vs魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)

采用機(jī)器學(xué)習(xí)的方法從社交媒體、新聞報(bào)道等資料中，利用重復(fù)的文本模式識(shí)別攻擊目標(biāo)感興趣的主題并構(gòu)造可能回應(yīng)的句子，極大提高了社工的有效性，使得大規(guī)模自動(dòng)化網(wǎng)絡(luò)釣魚(yú)活動(dòng)成為可能。

二、 自動(dòng)化魚(yú)叉式釣魚(yú)攻擊

Twitter、Facebook等社交媒體平臺(tái)包含大量個(gè)人隱私信息、開(kāi)放平臺(tái)API接口，而且內(nèi)容多有字?jǐn)?shù)限制(短文)、語(yǔ)言不規(guī)范、常用短地址服務(wù)等特點(diǎn)，決定了其容易被攻擊者利用并學(xué)習(xí)構(gòu)造虛假信息，讓攻擊目標(biāo)不引起懷疑而自愿上鉤。2016年8月4日，來(lái)自ZeroFOX公司的JohnSeymour & Philip Tully在美國(guó)黑帽大會(huì)上就提出了一種基于Twitter的端到端自動(dòng)化魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)方法[3]，下面就該釣魚(yú)方法進(jìn)行介紹。

1. 主要思想

提出SNAP_R(SocialNetwork Automated Phishing with Reconnaissance)遞歸神經(jīng)網(wǎng)絡(luò)，可學(xué)習(xí)向特定用戶(hù)(即攻擊目標(biāo))發(fā)送釣魚(yú)推文。該模型采用魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)滲透測(cè)試數(shù)據(jù)進(jìn)行訓(xùn)練，為提升點(diǎn)擊成功率，還動(dòng)態(tài)嵌入從目標(biāo)用戶(hù)和轉(zhuǎn)發(fā)或關(guān)注用戶(hù)處抽取的話(huà)題，并在發(fā)送推文時(shí)@攻擊目標(biāo)。

??

圖3 SNAP_R遞歸神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

2. 自動(dòng)化魚(yú)叉式釣魚(yú)攻擊

??

圖4 基于Twitter的自動(dòng)化魚(yú)叉式釣魚(yú)

該自動(dòng)化魚(yú)叉式釣魚(yú)攻擊主要包括兩部分：

① 尋找釣魚(yú)攻擊目標(biāo)對(duì)象

首先，利用TwitterStreaming API收集用戶(hù)名，根據(jù)用戶(hù)個(gè)人信息描述和推文情況衡量釣魚(yú)成功概率，用戶(hù)個(gè)人信息包括用戶(hù)名、轉(zhuǎn)發(fā)/響應(yīng)的推文的頻率/時(shí)間、對(duì)某主題的態(tài)度、位置信息、行為模式、已參加或者將要參加的大型活動(dòng)等，也包括工作、職位頭銜、知名度等反映用戶(hù)價(jià)值大小的信息。然后，按照釣魚(yú)成功的概率大小將用戶(hù)進(jìn)行分類(lèi)。

攻擊者從Firehose(Twitter用戶(hù)發(fā)送消息的輸出口)中挑選用戶(hù)，并判斷該用戶(hù)屬于剛才所說(shuō)分類(lèi)方法中的具體類(lèi)別。如果用戶(hù)的釣魚(yú)成功的概率比較高，就選取該用戶(hù)作為攻擊目標(biāo)，向其發(fā)送嵌有釣魚(yú)鏈接的虛假推文。

② 自動(dòng)化魚(yú)叉釣魚(yú)

選取攻擊目標(biāo)后，攻擊者利用SNAP_R遞歸神經(jīng)網(wǎng)絡(luò)模型抽取目標(biāo)感興趣話(huà)題以及該目標(biāo)發(fā)送推文或者回復(fù)推文的情況以便于產(chǎn)生釣魚(yú)推文內(nèi)容。除介詞等停止詞之外，最頻繁出現(xiàn)的推文內(nèi)容都可以用于構(gòu)造推文內(nèi)容，推文內(nèi)容會(huì)選擇用戶(hù)經(jīng)常發(fā)送或轉(zhuǎn)推推文的時(shí)間進(jìn)行發(fā)送。

在SNAP_R模型中，采用了馬爾可夫模型和長(zhǎng)短期記憶LSTM(LongShort-Term Memory)遞歸神經(jīng)網(wǎng)絡(luò)構(gòu)造推文內(nèi)容。馬爾可夫模型根據(jù)文本同時(shí)出現(xiàn)的概率來(lái)推測(cè)文本的內(nèi)容，舉例說(shuō)明：如果訓(xùn)練集包含短語(yǔ)thecat in the hat的次數(shù)比較多，當(dāng)模型出現(xiàn)the時(shí)，則下一個(gè)內(nèi)容很可能是cat 或者h(yuǎn)at。但是由馬爾科夫模型產(chǎn)生的內(nèi)容通常是沒(méi)有意義的，只是出現(xiàn)頻率比較高的詞語(yǔ)的組合體而已。而LSTM適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件，與馬爾可夫模型的區(qū)別在于，LSTM能結(jié)合語(yǔ)境判斷下一個(gè)可能出現(xiàn)的詞語(yǔ)。兩者結(jié)合構(gòu)造更接近于人類(lèi)撰寫(xiě)的推文內(nèi)容。

3. 實(shí)驗(yàn)驗(yàn)證

??

??

圖5 SNAP_R遞歸神經(jīng)網(wǎng)絡(luò)

為了評(píng)估該網(wǎng)絡(luò)釣魚(yú)攻擊效果，在推文中插入下載負(fù)載的網(wǎng)址鏈接并使用goo.gl短連接跳轉(zhuǎn)服務(wù)，如果攻擊目標(biāo)點(diǎn)擊該鏈接時(shí)，goo.gl會(huì)記錄時(shí)間戳、UA等信息(詳見(jiàn)圖5)。

通過(guò)對(duì)90名用戶(hù)進(jìn)行測(cè)試發(fā)現(xiàn)：該自動(dòng)化魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)框架的成功率為30%~60%;大規(guī)模手動(dòng)魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)傳統(tǒng)上的成功率為45%，而廣撒網(wǎng)式釣魚(yú)只有5%到14%的成功率。測(cè)試結(jié)果說(shuō)明該自動(dòng)化魚(yú)叉式釣魚(yú)方法極其有效，機(jī)器學(xué)習(xí)使得針對(duì)性魚(yú)叉式網(wǎng)絡(luò)釣魚(yú)更加準(zhǔn)確和規(guī)模化。但這只是ML模型社會(huì)工程應(yīng)用革命的開(kāi)端，我們將在未來(lái)幾年看到該領(lǐng)域的飛速發(fā)展。[4]

??

圖6 SNAP_R遞歸神經(jīng)網(wǎng)絡(luò)

三、 總結(jié)

作為人們網(wǎng)絡(luò)生活的重要組成部分，Twitter、Facebook等社交網(wǎng)站成為黑客攻擊的重災(zāi)區(qū)。而且伴隨著機(jī)器學(xué)習(xí)的再度火熱，攻擊自動(dòng)化程度將進(jìn)一步提高，極大增加了黑客攻擊成功的可能性。針對(duì)社交網(wǎng)絡(luò)中的網(wǎng)絡(luò)攻擊(網(wǎng)絡(luò)釣魚(yú)等)，一方面網(wǎng)站建設(shè)者應(yīng)加強(qiáng)網(wǎng)站管理和規(guī)范，不給黑客任何可乘之機(jī);一方面用戶(hù)應(yīng)該提高個(gè)人安全意識(shí)，注意個(gè)人隱私信息泄露并時(shí)刻保持警惕性，不輕易打開(kāi)網(wǎng)上不明鏈接。