Webshell检测方法(一)

Webshell检测方法(二)

Webshell检测方法(三)

0x00 前言

本篇工作依旧使用了随机森林算法，而前一篇文章[Webshell检测方法(三)]结合的是fastText，本篇文章结合的是梯度提升迭代决策树算法。

0x01 研究方法

在前一篇文章中，对于features的提取分为两大步：

1. 分析提取文件的静态特征

2. 利用PHP-VLD获取文件的Opcode，利用fastText训练文本分类器模型

1、静态特征

而本篇文章中所用和其相似，但有所提升，在前一篇文章的基础上增加了如下文件的静态特征：

1.数据压缩比

由于base64方式压缩的webshell通常具有更均衡的特定字符分布，并且往往具有更高的数据压缩比，因此使用数据压缩比检测webshell，有一定的成效。

2.eval函数的使用

一句话木马的重要特性即eval，一般的一句话木马格式如下：

@eval ($_post[xxxxx])

因此一个文件的eval的数量是模型训练的一个重要feature。

除此之外，之前的文章利用PHP-VLD提取文件Opcode，再使用fastText训练文本分类器，而本篇文章与之不同：将获得的Opcode，使用Scikit-learn从中提取2种特征：TF-IDF向量和Hash向量。

2、TF-IDF Vector

TF即Term frequency，词频计算公式如下：

其用来评估一个词语在文本中出现的频率。

IDF即inverse document frequency，逆文本频率指数如下：

其用于评估该词语在所有文本中是否罕见。

故此TF-IDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。

其计算方法如下：

3、Hash Vector

hash散列可以将任意长度的数据转换为固定长度的数据，同时这种这种转换通常是一对一的，我们很难找到同样的hash对应不同的数据。因此可以利用hash作为某个特征向量的索引，因此无需创建大型字典，而这个恰好是TF-IDF所缺乏的。

例如：特征 i 会被hash到索引位置j：

h(i) = j

特征 i 的词频表示为φ(i)，那么公式如下：

在提取特征结束后，实验尝试在仅适用6个静态特征和GBDT算法进行检测,成功率已达96.9%。

对于GBDT算法，其核心是：每棵树学的是之前所有树结论和的残差，即真实值-预测值。每一轮梯度boosting训练都会减少上一轮训练的残差，即在梯度方向上训练一个新的模型来降低上一轮训练的残差。

其优点在于可以有效减少feature，降低过拟合现象，并且具有更高的鲁棒性，不太可能受到训练集规模的影响。

这也是将其与随机森林算法结合使用的一个原因。同时为了进一步提高效率,加入了PHP Opcode的特征提取，和随机森林算法：

在结合前6个静态特征后，实验使用随机森林获取TF-IDF矩阵和hash矩阵的预测结果，最后结合8个feature对GBDT进行训练。

0x02 数据实验

实验从Github收集了2232个webshell，2388 CMS样本文件：

但由于有些文件提取特征不成功，或者并非php文件，因此丢弃了大小超过20000的文件，并未使用。

而后从如下几个角度评估了RF-GBDT算法的性能：

同时进行了一些对照实验，结果如下：

可以看到，如果仅用6个静态features的GBDT在各方面的性能都不如使用8个features的RF-GBDT。除此之外，实验中还挑选了一些网上主流的webshell检测工具，结果如下：

这同时也证明了RF-GBDT具有非常好的性能。

本文为 一叶飘零 原创稿件，授权嘶吼独家发布，如若转载，请注明原文地址