轮廓系数（颠覆传统安全方式）

从 2006 年 Amazon 发布 EC2 服务至今，已经过去了 11 年。在这 11 年里，AWS 收入从几十万美金上涨到 100 多亿美金，让云计算走进每一家企业。

根据信通院发布的“2016 云计算白皮书”，目前近 90% 的企业已经开始使用云计算(包括公有云、私有云等)，这说明大规模云化对于企业而言已经不只是趋势，更是确凿的既成事实。

云化普及的同时也给安全带来很多挑战，主要包括：

01云化导致以硬件设备为主的传统安全方式失效

在跟企业交流时，不止一家企业提出了这样的担心：在上公有云的过程中，因为无法把已购买的硬件防护搬到云上，所以非常担心业务安全性。

有趣的是，他们对于上云后的流量层攻击反倒不担心，因为他们认为云上的高防 IP 等产品可以解决大部分问题。云化导致了业务层的安全空白，这不仅发生在公有云环境，在私有云环境也时有发生。

02云化导致攻击/作恶成本大大降低

云是 IT 领域里“共享经济”的再升级，从最早的 IDC 租用升级进化到 Linux kernel namespace 租用，但这种“共享经济”在给企业带来成本降低、使用便利等益处的同时，也给攻击者带来了同样的好处。

按目前市场行情，攻击者租用一个公网弹性 IP 的成本可低至 1 元/天，租用一个 IaaS 平台的 hypervisor 层的计算环境，每日成本也只有几元，如果是 container 层的计算环境，成本还要更低。

在如此低的成本下，致使攻击者不再像过去那样花大力气挖掘培养肉机，而是可以在瞬间轻松拥有用于攻击的计算网络资源。

以某著名互联网招聘领域网站为例，攻击者最多可以在一天内动用上万个 IP 以极低的频率爬取核心用户简历。

03云化导致业务可控性降低，遭遇攻击的风险大大提高

云客观造成了业务的复杂性和不可控性：大量自身或合作方的业务都跑在同一个云上，其中任何一个业务被攻击，都有可能对其他部分造成影响。

不可否认的是，现有的 hypervisor 隔离技术很成熟，以 CPU 为例，通过计算时间片分配进而在执行指令间插入各种自旋锁，可以精确控制执行体的 CPU 分配，其他资源包括内存、IO 也都可以恰当的控制。

但在所有资源里，隔离性最脆弱的就是网络，尤其是公网，毕竟 NAT 出口、域名等很难被隔离。

所以，我们不得不面对这样的现实：在享受云计算时代红利的同时，面临的业务层安全问题也越来越严重。

机器学习是解决安全问题的金钥匙

机器学习发展史

由上图可以看出，目前大红大紫的深度学习，其源头-神经网络，早在上世纪 70 年代就已经被提出。

从上世纪 80 年代到本世纪，机器学习经历了几次平淡期和爆发期，随着大数据的发展和一些热点事件(如 AlphaGo 战胜李世石)，机器学习又一次进入爆发期。

那么，大数据和机器学习有什么关系呢?这还要和深度学习挂钩，从理论上讲，深度学习本质上是利用多层的神经网络计算，代替传统特征工程的特征选取，从而达到媲美甚至超越传统特征工程进行分类算法的效果。

基于这个逻辑，当标注样本足够多时(即所谓“大数据”)，通过深度学习就可以构造出非常强大的分类器，如判断一个围棋的棋局对哪方有利。

AI 随着深度学习的火爆看似非常强大，但不幸的是，目前 AI 的发展成熟度远没有达到可以取代人脑抑或接近人脑的水平。根据图灵测试理论，AI 本身要解决的问题有：识别、理解、反馈。

这三个问题逐步递进，真正智能的机器人最终可以跟人脑一样反馈，从而在图灵测试中无法区分它是人还是机器。

按当前 AI 发展情况，“识别”的进展目前效果最好，无论是图像、语音还是视频，很多厂商都可以做到很高的识别率;但“理解”就差强人意了，大家都用过苹果的 Siri，它还未能达到与人真正对话的程度。

而反馈就更难了，这要求在理解的基础上不断地应变，同一个问题可能因对方身份、心情、交流场合不同，以不同的语气语调做出不同反应。

所以，目前应用机器学习效果非常好的领域，几乎都是某个特定领域内的识别问题，并非通用领域，如人脸识别、人机对弈(人机对弈本质上也是某个棋种领域的识别问题：机器通过学习成千上万的棋局后，就可以自动识别某一棋局在一方走的情况下对谁有利。)

非常幸运的是，安全领域中的问题大多是特定场景下的识别问题，而非通用场景，也并未涉及理解和反馈，你只需要把相关数据交给机器学习系统，让它做出识别判断即可：安全或者不安全，不安全的原因。

正因为安全问题本质是特定领域内的识别问题，所以从理论上讲，机器学习非常适合应用在安全领域，是解决安全问题的金钥匙。

机器学习在安全领域的应用难点

虽然机器学习早已存在，但是长久以来并未改变安全市场，究其原因，主要有以下几点：

01安全领域的样本标注成本较高

对于机器学习而言，拥有海量、完整、客观、准确的标注样本异常重要，标注样本越多、越全面，训练出来的分类器才可能越准确。

对于所有行业来讲，获取样本(标注样本)都不容易，而安全领域尤为困难。如对人脸识别的标注，初中生甚至小学生就可以完成，但对于一次安全的威胁事件，就需要极具经验的安全人员才可以完成，两者的成本差距十分巨大。

某个注入攻击

如上图所示，这个注入攻击经多次复杂编码，非专业人事很难进行样本标注。所以目前在通用场景下，安全领域的深度学习落地并不多，主要原因也是很难获取海量的标注数据。

02安全领域的场景特点更加明显

判断攻击的标准会随着业务特点的不同而不同。以最简单的 CC 攻击为例，600 次/ 分钟的访问对于某些企业可能意味着破坏性攻击，但对其他企业则属于正常访问范围。

所以，即便有大量的标注样本，某一企业的标注样本可能对于其他企业毫无用处，这也是导致安全领域应用机器学习较为困难的另一个重要原因。

03针对传统的文本型攻击，传统思维认为简单的特征工程，甚至直接的正则匹配更有效

我们把 Web 攻击分为行为型攻击和文本型攻击两类：

行为型攻击。每个请求看起来都是正常的，但将其连接成请求走势图时，就会发现问题，如爬虫、撞库、刷单、薅羊毛等。

以刷粉行为为例：每个请求看起来都是正常的，但攻击者可能动用大量 IP 在短时间内注册大量账号，并关注同一个用户。只有我们把这些行为连接起来一起分析时，才能发现问题。

文本型攻击。传统的漏洞类攻击，如 SQL 注入、命令注入、XSS 攻击等，单纯的把一个请求看成是一段文本，通过文本的特征即可识别其是否为攻击。

当特征的维度空间较低，且有些维度的区分度很高时，通过简单的线性分类器，就可以实现不错的准确率。

例如我们简单的制定一些 SQL 注入的正则规则，也可以适用于很多场景。但是，这样的传统思维却忽略了召回率问题，实际上也很少有人知道，通过 SQL 注入的正则规则，可以达到多少的召回率。

同时，在某些场景，假如业务的正常接口通过 JSON 传递 SQL 语句，那么这种基于正则规则的分类器就会产生极高的误判。

04传统安全人员并不了解机器学习

大量传统安全公司的安全人员精于构造各种漏洞探测、挖掘各种边界条件绕过，善于制定一个又一个的补丁策略，却并不擅长 AI 机器学习方面的内容，这也说明了这种跨界人才的稀缺和重要。

机器学习重新定义 Web 安全

如何解决安全领域的样本标注问题呢?机器学习分为两大类:

监督学习。要求有精准的标注样本。

无监督学习。无需标注样本，即可以针对特征空间进行聚类计算。在标注困难的安全领域，显然无监督学习是一把利器。

01无监督学习

无监督学习无需事先准备大量标注样本，通过特征聚类就可以将正常用户和异常用户区分开，从而避免大量样本标注的难题。

聚类的方式有很多，如距离聚类、密度聚类等，但其核心仍是计算两个特征向量的距离。

在 Web 安全领域，我们获得的数据往往是用户的 HTTP 流量或 HTTP 日志，在做距离计算时，可能会遇到如下问题。

例如：每个维度的计算粒度不一样，如两个用户的向量空间里 HTTP 200 返回码比例的距离是两个 float 值的计算，而 request length 的距离则是两个 int 值的计算，这就涉及粒度统一归一化的问题。

在这方面有很多技巧，比如可以使用 Mahalanobis 距离来代替传统的欧式距离，Mahalanobis 距离的本质是通过标准差来约束数值，当标准差大时，说明样本的随机性大，则降低数值的权值。

反之，当标准差小的时候，说明样本具有相当的规律性，则提高数值的权值。

无监督的聚类可以利用 EM 计算模型，可以把类别、簇数或者轮廓系数(Silhouette Coefficient)看成 EM 计算模型中的隐变量，然后不断迭代计算来逼近最佳结果。

最终我们会发现，正常用户和异常聚成不同的簇，之后就可以进行后续处理了。当然，这只是理想情况，更多情况下是正常行为与异常行为分别聚成了很多簇，甚至还有一些簇混杂着正常和异常行为，那么这时就还需要额外的技巧处理。

02学习无监督聚类的规律

无监督聚类的前提是基于用户的访问行为构建的向量空间，向量空间类似：

[key1:value1,key2:value2,key3:value3...]

这里就涉及两个问题：“如何找到 key”以及“如何确定 value”。

找到合适 key 的本质是特征选择问题，如何从众多的特征维度中，选择最具有区分度和代表性的维度。

为什么不像某些 Deep Learning 一样，将所有特征一起计算?这主要是考虑到计算的复杂度。请注意：特征选择并不等同于特征降维，我们常用的 PCA 主成分和 SVD 分解只是特征降维，本质上 Deep Learning 的前几层某种意义上也是一种特征降维。

特征选择的方法可以根据实际情况进行。实验表明在有正反标注样本的情况下，随机森林是一个不错的选择。如果标注样本较少或本身样本有问题，也可以使用 Pearson 距离来挑选特征。

最终，用户的访问行为会变成一组特征，那特征的 value 如何确定?以最重要的特征——访问频率为例，多高的访问频率值得我们关注?这需要我们对于每个业务场景进行学习，才能确定这些 key 的 value。

学习的规律主要包括两大类：

行为规律。自动找出路径的关键点，根据状态转移概率矩阵，基于 PageRank 的 power method 计算原理，网站路径的状态转移矩阵的最大特征值就代表其关键路径(关键汇聚点和关键发散点)，然后顺着关键点，就可以学习到用户的路径访问规律。

文本规律。对于 API，可以通过学习得出其输入输出规律，如输入参数数量、每个参数的类型(字符串 or 数字 or 邮箱地址等)、参数长度分布情况，任何一个维度都会被学习出其概率分布函数。

然后就可以根据该函数计算其在群体中的比例。即便是最不确定的随机分布，利用切比雪夫理论也可以告诉我们这些值异常。

假如 GET /login.php?username = 中的 username 参数，经过统计计算得出平均长度是 10，标准差是 2，如果有一个用户输入的 username 长度是 20，那么该用户的输入在整体里就属于占比小于 5% 群体的小众行为。

通过特征选择和行为、文本规律学习，我们就可以构建出一套完整且准确的特征空间将用户的访问向量化，进而进行无监督学习。

03让系统越来越聪明

如果一个系统没有人的参与，是无法变得越来越聪明的，如 AlphaGo 也需要在同人类高手对弈中不断强化自己。

在安全领域，虽然完全的样本标注不可能，但是我们可以利用半监督学习的原理，挑选具有代表性的行为交给专业的安全人员判断，经过评定校正，整个系统会越发聪明。

安全人员的校正可以与强化学习和集成学习结合实现，对于算法判断准确的情况，可以加大参数权重，反之则可以适当减少。

类似的想法出现于国际人工智能顶级会议 CVPR 2016 的最佳论文之一，“AI2: Training a big data machine to defend”，MIT 的 startup 团队，提出了基于半监督学习的 AI2 系统，可以在有限人工参与的情况下，让安全系统更安全更智能。

04重新定义 Web 安全

基于上述几点，我们基本可以勾勒出基于 AI 的 Web 安全的基本要素：

AI Web 安全技术栈

从上图可以看到，所有算法均包含在实时计算框架内。实时计算框架要求数据流的输入、计算、输出都是实时的，这样才可以保证在威胁事件发生时，系统可以迅速做出反应。

但是，实时计算的要求也增加了很多挑战和难点，一些传统离线模式下不是问题的问题，在实时计算下会突然变成难题。

比如最简单的中位数计算，要设计一套在实时流输入的情况下，同时还能保证准确性的中位数算法并不容易，T-digest 是一个不错的选择，可以限定在 O(K)的内存使用空间。还有一些算法可以实现在 O(1)内存占用的情况下计算相对准确的中位数。

综上所述，我们可以看出利用 AI 实现 Web 安全是一个必然的趋势，它可以颠覆传统基于 policy 配置模式的安全产品，实现准确全面的威胁识别。

但是，构造基于 AI 的安全产品本身也是一个复杂的工程，它涉及特征工程、算法设计和验证，以及稳定可靠的工程实现。

总之，基于 AI 的 Web 安全是新兴的技术领域，虽然目前还处于发展期，但最终一定会取代以 policy 为驱动的传统安全产品，成为保证企业 Web 安全的基石。

丛磊

白山云科技合伙人兼工程副总裁

2006 年至 2015 年就职于新浪，原 SAE(SinaAppEngine)创始人，曾任总负责人兼首席架构师。2010 年起，带领新浪云计算团队从事云相关领域的技术研发工作。他拥有 10 项发明专利，现任工信部可信云服务认证评委。2016 年加入白山云，主要负责云聚合产品的研发管理和云链产品体系构建等。