前言
黑客在攻击过程中或者对目标网络实施控制时经常使用域名。我们在做流量分析时不仅要通过流量的指纹特征识别威胁，也可以通过检测是否解析了恶意域名来判断网络中是否存在肉鸡。

2-1.png

不直接用威胁情报的原因
公司购买了一批威胁情报数据，其中一项重要的数据就是就是恶意域名列表。

因此可以在客户流量里面导出DNS解析日志，去跟威胁情报的恶意域名情报直接匹配来找出恶意外链。但威胁情报往往有以下的缺陷：

误报多。威胁情报误报较多。从我手上的这份数据来看，不少正规中小网站、过期的域名、甚至Alexa排名一千以内的都被列为恶意域名。猜测有可能是网站被挂过黑页，或者论坛上被传过带毒附件，导致整个域名被列入黑名单。而后期维护没有跟上，导致没有及时删除误报信息。

漏报更多。从威胁情报的性质上来看，越是大范围/长时间的攻击的行为、大面积传播的病毒，越容易被威胁情报所捕获。反之，针对性的APT特征攻击则不容易被收录，造成漏报。而我们公司的客户主要是政企类，信息更为敏感，更容易被境外黑客盯上并发起针对性攻击。

不可控。我允许安全系统的误报和漏报，这毕竟是不可避免的，但我无法接受的是误报和漏报的不可控。可控的安全系统你知道什么条件下会产生误报，所以你可以用其它策略去降低误报；你会知道什么样的攻击会被系统遗漏掉，所以可以用其它的安全方案来弥补这部分缺失。而威胁情报虽然内容可读，但采集过程就是个“黑盒子”，你不知道里面的数据是怎么来的，告警出来的东西也不知道如何降低误报，更不知道它会遗漏哪些信息。

因此我决定用这批威胁情报作为AI训练集，学习威胁情报背后的数据特征，通过AI强大的泛化能力，可以减少漏报，并让安全系统变得可控。

选择AI维度
选择维度是很重要一项工作，你做的是人工智能还是人工智障，是神经网络还是神经病网络，很大程度上取决于选择的维度。

Alexa排名
一般情况下，恶意域名不会是流量非常高的网站域名。因此抓取Alexa排名作为维度。

通过接口抓取Alexa排名，如果域名没有Alexa排名数据，则认为它的排名非常靠后，设置一个非常大的数值：99999999。

如果是多级域名的话，除了抓取多级域名的Alexa，还要抓取主域名的Alexa。这样便共享了两个维度。

搜狗rank
搜狗rank和Alexa排名一样，反应的是网站的规模和流量的大小。不同的是Alexa是越小站越大，搜狗rank是值越大站越大。对于没有搜狗rank的站点，认为rank为0。

搜狗与百度的收录数量
一般情况下，恶意域名要多低调就有多低调，不会专门去做SEO的，也不会希望搜索引擎搜到到。

通过某个SEO接口爬取百度和搜狗收录页面的数量，对于搜不到的域名，认为收录数量为0。

必应收录数量
与“百度和搜狗收录数量”形成互补，因为必应对于境外域名收录的更全一些，而百度搜狗对国内收录的更好一些。本来想用Google的，但是Google太频繁的抓取会有验证码，没必要把精力花费在破解验证码上面。

必应的收录数量并没有查询接口，因此直接用site:domain.com的方式直接抓取收录数量，相比SEO查询接口，这样直接抓取也更准确一些。

网站首页完整度
很多域名会解析到web服务器，一般情况下，正规域名解析到正常的网站，而恶意域名的解析ip要么没有web服务，要么是没有内容的首页。例如404页面、Apache默认页面、空白页面等等。

那么怎么判断首页是不是正常的、完整的呢。最好的方法就是用head less浏览器（如phantomjs）去访问，检查首页（包括多媒体资源）的大小，以及媒体资源是否成功加载。这是后续可以优化的一个点。

奈何懒癌晚期，我用了一个取巧的办法，直接判断首页各个媒体标签的数量。精心设计的首页肯定有img link script等标签，满足的越多，完整度level遍越高。如下图所示，取level值作为完整度。如果没开放web服务，则level为0。

图1 通过标签给网页完整度评分
【20181030】机器学习与威胁情报的融合：一种基于AI检测恶意域名的方法 - 图1
是否是主流域名后缀
一般情况下，普通域名大多数常用.com、.net.、.cn等主流后缀，而恶意域名往往会喜欢注册小国家域名，如.io、.ru等。

Cn域名一般都要求实名备案，恶意域名很少有cn域名。

地理位置
国内对主机审查比较严，除了被黑的肉鸡，很少有专门申请国内主机用于黑客行为的。

另外公司客户主要是政府国企类，向境外的反连本来就是可疑行为，因此把域名的地理位置作为一个维度。

A记录与CNAME
正规公司如果有注册企业邮箱的，企业域名一般都会注册A记录和CNAME。而恶意域名可能只会注册A记录。

如果一个域名既没有A也没有CNAME，维度值为0。

待加入维度
WHOIS匿名：恶意域名的whois信息一般都选择匿名，因此whois信息是否匿名应当作为一个判断维度。在实际测试过程中，发现很多匿名域名的注册人、联系方式等字段，不是为空，而是nameserver或者域名注册商的联系方式，因此要建立一个域名商匿名信息的黑名单来判断是否匿名。维护成本有些高，在第一个版本中暂不加入该维度。

域名更新的频繁程度：使用域名的ttl值或者历史解析记录。一般认为恶意域名的解析更换的比较频繁。做坏事嘛，总是喜欢打一枪换一个地方。

是否使用CDN：检测域名是否使用了CDN。CDN一般用于流量比较大的站点进行加速，木马或shell的C&C域名一般是不会用的。

清洗数据
本文定义的恶意域名为黑客实施攻击时用的域名，包括但不限于：木马回连、病毒通讯、反弹shell、SSRF、XSS、DDoS、挂马、矿机、DNS隧道木马等等。总之都是黑客攻击所用。

威胁情报里的域名中有不少我们不需要的，这些信息要人工剔除。例如博彩网站、色情站、垃圾邮件域名。用AI也可以识别：抓取网站内容后直接上朴素贝叶斯，或者走NLP情感分析的套路即可，这不在本文的讨论范围内。还有钓鱼站也要剔除，识别钓鱼站是另一个话题了。

由于担心误报影响样本质量，只取置信度较高的那部分域名。

恶意域名作为正样本，正常域名作为负样本，正负样本比例大约为1:1。

取威胁情报中9月10日的全量恶意域名作为训练集，另取9月11-17日的增量部分作为测试集。

图2 整理后的恶意域名样本

建立模型
笔者训练了两种模型，一个是机器学习的代表算法支持向量机SVM，另一个是卷积神经网络CNN。最后通过多方面对比绝对线上业务使用哪个。

支持向量机
在神经网络没火之前，SVM是应用最广泛的机器学习算法之一，对于线性可分的样本集识别率很高，那也就注定了本次我们用SVM的效果不会差。

  1. #载入训练集数据   
  2. x_data, y_label = data.load_tran_data()
  4. #数据归一化。由于有些维度值特别高，如百度收录量和Alexa值，有些维度则特别低，只有1或者0。因此等比缩小是不可取的，否则收敛特别慢。这里将数据缩小至方差为1均值0的数组
  5. x_data = preprocessing.scale(x_data)
  7. svc = svm.SVC()
  9. parameters = [
  11.     {
  13.         'C': [0.5, 0.8, 0.9, 1, 1.1, 1.2,1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2, 3, 5, 7, 9, 11, 13, 15, 17, 19, 30, 50],
  15.         'gamma': [0.1, 0.5, 0.6, 0.7, 0.8,0.9, 1, 1.2, 1.3, 1.5, 2, 2.5, 3, 4, 5, 6, 7, 8, 9, 10, 11],
  17.         'kernel': ['rbf']
  19.     },
  21.     {
  23.         'C': [0.5, 0.8, 0.9, 1, 2, 3, 4,4.1, 4.2, 4.3, 4.4, 4.5, 4.6, 5, 5.5, 6, 7, 9, 11, 13, 15, 17, 19, 30, 50],
  25.         'kernel': ['linear']
  27.     }

]

  1. # 使用rbf和linear两种核函数进行对比，同时使用“爆破”的方式寻找最优参数组合
  3. clf = GridSearchCV(svc, parameters, cv=5,n_jobs=8)
  5. clf.fit(x_data,y_label)
  7. # 打印最优参数组合
  9. print(clf.best_params_)
  11. best_model= clf.best_estimator_
  13. joblib.dump(best_model,"svm2.2.m")

最终确定的最优参数组合是核函数linear和C参数4.2，证明样本是线性可分的。

在测试集上进行测试，结果准确率97.2% 、召回率97.3%，翻译成我们熟悉的指标，误报率为2.8%、漏报率都为2.7%。

卷积神经网络
卷积神经网络CNN可以说凭一己之力掀起了近几年AI热潮。CNN的特点是强调显细节的特征，大家熟悉的是CNN在图像方面的应用，其实一维的文本、二维的图像、三维的空间、四维的宇宙、五维度的量子态……都可以卷，颇有“大饼卷一切”的趋势，连三体人的智子都望尘莫及。

好吧，今天有点喝多了。吹牛x的习惯又犯了。

总之，理论上CNN可以拟合任意函数，自然包括线性函数了。

x_data, y_label = data.load_test_data() #载入训练集并归一化
x_data = preprocessing.scale(x_data)
x_data = np.expand_dims(x_data, axis=2)
dim = len(x_data[0])
y_len = len(y_label)
model = Sequential()

输入层、卷基层

model.add(Conv1D(4, 3, input_shape=(dim, 1), padding=’same’, activation=’relu’, use_bias=True))

BN算法，使输出信号规范为“均值0，方差1”，目的是加速收敛

model.add(BatchNormalization())

最大池化层

model.add(MaxPooling1D(3))

放弃层，防止过拟合

model.add(Dropout(0.5))

再来一次卷积，经过BN算法规范化后，进行平均池化

model.add(Conv1D(8, 3, padding=’same’, activation=’relu’))
model.add(BatchNormalization())
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))

两层全连接

model.add(Dense(4, activation=’relu’))
model.add(Dense(1, activation=’sigmoid’))

训练模型

model.compile(loss=’binary_crossentropy’,
optimizer=’sgd’,
metrics=[‘accuracy’])
model.fit(x_data, y_label, batch_size=20, epochs=600)
model.save(“cnn1.22.h5”)
该模型在测试集上准确率为97.5%，召回率96.7%。

线上应用
SVM和CNN模型对比数据如下：

模型名称 准确率 召回率
SVM 97.2% （误报率2.8%） 97.3% （漏报率2.7%）
CNN 97.5% （误报率2.5%） 96.7% （漏报率3.3%）
两种模型相对而言，SVM误报略高漏报低，而CNN误报低漏报高。整体而言两个模型指标相近，SVM略好于CNN，最终线上决定使用SVM作为检测算法。

SVM的2.8%的误报率反映在出口流量上有点多，需要配合其他策略如黑白名单降低误报。后来在实际线上应用中，发现误报的一部分来自于程序所用的API的域名，这类域名在训练集中没有包含。修正过程本文不再赘述。

参考资料