概述

DNS over HTTPS（DoH）由RFC8484定义，其目标之一是增加用户的隐私，通过 HTTPS 解析 DNS 查询。目前国外厂商如Adguard、Cloudflare、Google、Quad9等对公提供DoH服务，国内也有厂商陆续提供DoH服务。此外，也可以通过自建DoH服务器的方式进行DoH传输。以腾讯云DoH服务器（https://doh.pub/dns-query）为例，运用浏览器访问百度，同时进行抓包分析，结果如下：

· 解密前，只能看到与DoH服务器间的TLS Application Data消息，数据被加密。

·       解密分析：利用浏览器同步生成(Pre)-Master-Secret 日志对流量进行解密，第785个数据包的内容如下：

可以清晰看到DNS协议流量被封装进HTTP协议，并进一步经过TLS协议加密，形成了HTTPS流量。

DoH 的优点是显而易见的，该技术提高了DNS服务安全性并保护了用户隐私。但DoH也是一把双刃剑，传统的恶意DNS隐蔽隧道，同样可以通过利用DoH服务进行HTTPS协议加密封装，进一步增强自己的隐蔽性。我们经过试验，知名DNS隧道工具、热门黑客平台如Iodine、DNS2TCP、 DNScat2、Cobalt Strike等，都可以通过DoH服务将DNS隧道流量转换为HTTPS协议。这类利用DoH技术加密传输的恶意DNS隧道流量，给检测造成了新的挑战。

恶意DoH流量检测

与一般TLS加密流量检测相比，利用DoH技术加密传输的恶意DNS隧道流量（以下简称恶意DoH流量）检测的难度更高。恶意DoH流量完全可以利用正常DoH服务器进行中转，那么单纯从DoH服务的TLS协商过程中暴露的明文信息（如TLS握手信息、证书信息、背景DNS流量特征等）判定会造成较大误报，必须从更深层次寻求另外的维度进行判断。本次针对DoH恶意流量检测的研究，将重点放在与完成握手协商后的加密数据会话过程。研究过程包括数据搜集、特征工程、模型训练、实际测试几个环节。

1. 数据搜集

数据搜集分为公开数据搜集和自建环境搜集。因DoH协议比较新，所以公开数据集不是特别丰富。Canadian Institute for Cybersecurity (CIC)在2020年公开了一个DoH数据集DoHBrw-2020。我们对该流量集进行了处理，可以得到正常（以下简称白）DoH流量+正常HTTPS流量共514459次会话，恶意（以下简称黑）DoH流量共144167次会话。

DoHBrw-2020数据集主要针对国外厂商提供的DoH服务，另外数据集偏小。为了弥补数据集不足，我们搭建模拟环境针对国内主要DoH服务进行了白/黑DoH流量搜集，通过自建DoH服务器，同样进行了白/黑DoH流量的搜集。白流量主要通过脚本调用热门浏览器，利用DoH服务对常用网站进行访问进行捕获搜集。黑流量主要通过搭建Iodine、DNS2TCP、 DNScat2、Cobalt Strike等实验环境，利用国内DoH服务器、自建DoH服务器等进行流量搜集（所有数据搜集均在严格可控范围内进行，未对实验环境之外设施造成影响）。

2. 特征工程

特征工程是建立恶意DoH流量检测模型的重要步骤，直接决定了模型检出效果的好坏。如前所述，针对恶意DoH流量，无法单纯从服务端证书、背景DNS、SNI信息等方面进行检测，因此本次特征工程的重点放在加密数据会话过程，即TLS协议的Application Data消息交互阶段。基于长期从事加密流量检测的经验和对DNS隧道行为的深刻理解，我们设计了超过100项，大于1000维特征值，涵盖加密消息个数、长度、到达时间等重要加密会话行为信息。我们在黑白DoH流量集上对这些特征进行了分析。因特征众多，在这里简要列举几项。

· C_Total_Count/S_Total_Count：Client/Server端Application Data消息总个数（线性归一，归一化区间0-512）:

通过数据统计可见，大约60%的白流量，Client端Application Data消息的总个数在0-0.01之间（约1-5个Application Data消息），而在这个区间的黑DoH流量仅占不到30%。大约45%的黑DoH流量个数在0.01-0.02之间（约6-10个Application Data消息）。在0.1-1区间（约大于50个Application Data消息）中包含了将近20%的恶意DoH流量，而本区间中的白流量仅占2.2%。Server端Application Data消息总个数分布与Client端相比有相似之处，但也有所不同，在此不再赘述。

· C_Len_Max/S_Len_Max：Client/Server端Application Data消息长度最大值（线性归一，归一化区间0- 16384）:

通过数据统计，90%的黑DoH流量，Client端Application Data最大长度倾向小于约160字节，回传过程中，Server端Application Data消息的最大长度基本都达到了16384字节。尽管如此，也不能使用Server端回传大包这个单一因素进行判别，因为46%的白流量也会使用较长的Application Data消息进行传输。

 · S_Intervel_Trans[100]_4：Server端Application Data消息到达时间间隔转移矩阵第五维:

我们在0-300秒时间内根据数据分布，划分为10个区间。将每两个Application Data消息到达时间间隔根据区间落点的转换，形成Application Data消息到达时间转移矩阵。转移矩阵为10*10，共100维。从流量集数据分析，在矩阵的第五维上，黑白流量获得了比较好的分辨度。

筛选较好特征后，我们随机选取了黑白流量各5000次会话，进行了PCA降维可视化分析。PCA算法降至3维：

PCA算法降至2维：

由于降维过程中带来的信息损失，3维和2维散点图出现了少量合理的重叠。由特征工程以及可视化分析可知，我们选取的特征，可较好的分辨黑白流量集，为下一步训练模型提供了良好基础。

1. 模型训练和测试

选取Decision Tree、Logistic Regression、Random Forest、Linear Regression、Adaboost和SVM等算法进行模型训练和测试对比，相应结果如下：

从测试结果进行分析，综合考虑精确率、准确率和模型泛化能力，结合工程化实现等因素，选取随机森林算法作为产品使用的算法。

产品检出

从鱼骨图可以看出，虽然恶意DoH会话的SNI为知名白域名，但是上文所述的单流行为检测模型给出了较高的判断，另外恶意DoH会话的握手协商特征也与热门浏览器的TLS握手协商存在差异，系统最终综合决策评分为0.82，威胁标签为DNSTunnelOverHTTPS。

如若转载，请注明原文地址