攻防实战下攻击手段全面升级，如何有效应对加密流量攻击？

如今, 网络攻击技术和手段持续升级, 漏洞利用攻击、无文件攻击等各类高级攻击手段出现, 其攻击手法隐蔽、破坏性强, 给单位网络安全带来了极大挑战。

其中, 加密流量攻击是攻防实战中最常见的手法之一, 攻击者为了窃取数据、控制目标系统, 往往采取更加隐蔽的加密通信技术, 通过对内容进行协议加密, 消除攻击的明显特征, 使检测难度呈指数上升。

据深信服千里目安全技术中心 2021 年的实战分析, 近 50% 的安全事件由加密流量攻击引发。如渗透阶段采用 TLS 加密扫描, 攻击阶段采用 RDP、SSH 等加密的暴力破解, 再通过 webshell 获取权限, 最后通过加密隧道外发数据等。

一、AI 技术在实战中被广泛应用

检测加密流量而不损害其加密完整性的智能手法逐步被认可,AI 技术可以基于大数据统计分析, 挖掘数据规律及目标特征, 更快地检测出加密流量威胁, 减少所需时间和资源, 提高网络分析的效率及准确性, 在实战中被广泛使用。

然而,AI 技术如没有得到有效运用, 也无法在实战中检测到加密的威胁行为。例如无监督学习可以定位未知威胁, 但精准度待提升; 有监督学习精确度高, 却无法覆盖未知威胁。

二、如何在实战中精准识别加密流量攻击?

深信服安全团队经过 7000 + 用户实践发现, 只有将无监督学习和有监督学习智能化结合, 才能最大限度提升加密流量攻击的识别率。

▲ 深信服 NDR 在实战中识别高级威胁行为示例

1.有监督学习精准识别已知加密流量

有监督机器学习通过将已知、带标签的行为数据输入系统, 学习分析数据行为, 并根据数据标签来检测、识别特定的高级威胁。

深信服 NDR (全流量高级威胁检测系统) 应用 AI 模型, 基于有监督机器学习抓取所有上下行流量, 提取 1000 + 维度特征, 同时增加了模型训练算法 LightGBM 学习特征的权重, 对已知高级威胁的检测更为精准。传统的检测方式基于一个模型检测多个场景, 不同场景的特征不尽相同, 因此误报率很高。深信服 NDR 基于 AI 模型有监督学习进行场景化建模, 一个模型对应一个场景, 根据场景特征进行针对性检测, 模型检测精准率能够达到 98%。

2.无监督学习提前发现未知加密流量

无监督的机器学习覆盖了聚类、神经网络等方法, 不依赖任何标签值, 通过自主学习, 挖掘数据内在特征, 实现自动化全面检测, 更合理地利用资源, 提升效率。

深信服 NDR 基于 AI 模型无监督学习方法, 通过聚类学习、特征映射等智能分析技术建立设备加密流量动态行为基线, 筛选出异常的、可疑的行为, 同时结合行为聚合与关联分析, 检测出未知威胁的早期迹象, 最大程度地实现自动化检测, 可以快速检测出如下异常, 帮助网络安全团队主动预防威胁:

异常的网络设备 JA3

异常的访问时间和访问频率

异常的上下行数据包比率

异常的证书签发机构

……

以常见的"服务器权限获取手法 webshell 加密通信"为例, 攻击者通过渗透系统或网络安装 webshell , 在应用服务器上执行敏感命令、窃取数据、植入病毒, 危害极大。webshell 具有很强的隐蔽性, 传统的、基于单向数据流的流量检测方案, 无法实时更新数据, 难以有效检测 webshell。

深信服 NDR 基于 AI 模型无监督学习的孤立森林异常点检测算法, 可以构建特征向量, 精准检测"孤立离群"的 webshell 访问行为, 具有更高检出率, 更低误报率。除了 webshell 加密通信场景外, 深信服 NDR 同样支持隧道检测、CS 漏洞、加密挖矿、加密反弹 shell 等威胁检测, 覆盖多种加密威胁场景。

▲ NDR 发现攻击者发起暴力破解, 并上传免杀的 webshell 文件, 最终实现远程控制

目前, 超 7000 + 用户依托深信服 NDR 产品, 在常态化攻防实战中筑牢安全堡垒。除了全面精准的高级威胁检测, 深信服 NDR 还可以深度联动 EDR、SaaS XDR 等, 对流量侧、端侧数据聚合分析, 实现分析、检测、溯源、响应的一站式防护闭环, 全力提升企业级用户的纵深防御能力。