顛覆傳統安全方式，AI重新定義Web安全
從 2006 年 Amazon 發布 EC2 服務至今，已經過去了 11 年。在這 11 年里，AWS 收入從幾十萬美金上漲到 100 多億美金，讓云計算走進每一家企業。
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：
01云化導致以硬件設備為主的傳統安全方式失效
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。
02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。
在如此低的成本下，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。
以某著名互聯網招聘領域網站為例，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。
03云化導致業務可控性降低，遭遇攻擊的風險大大提高
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。
不可否認的是，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。
機器學習是解決安全問題的金鑰匙
機器學習發展史
由上圖可以看出，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。
基于這個邏輯，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 隨著深度學習的火爆看似非常強大，但不幸的是，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 本身要解決的問題有：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，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，安全領域中的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。
機器學習在安全領域的應用難點
雖然機器學習早已存在，但是長久以來并未改變安全市場，究其原因，主要有以下幾點：
01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。
某個注入攻擊
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，安全領域的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。
02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，但對其他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。
03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。
04傳統安全人員并不了解機器學習
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。
機器學習重新定義 Web 安全
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。要求有精準的標注樣本。
無監督學習。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。
01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，可能會遇到如下問題。
例如：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的技巧處理。
02學習無監督聚類的規律
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 key 的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 Deep Learning 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 Deep Learning 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就代表其關鍵路徑(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，可以通過學習得出其輸入輸出規律，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。
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。
03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，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。
04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：
AI Web 安全技術棧
從上圖可以看到，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，系統可以迅速做出反應。
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。
比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。
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。
叢磊
白山云科技合伙人兼工程副總裁
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。他擁有 10 項發明專利，現任工信部可信云服務認證評委。2016 年加入白山云，主要負責云聚合產品的研發管理和云鏈產品體系構建等。
