RFC6587: TCP를 통한 SYSLOG 전송 규약

통합로그관리(LMS) 시스템이나 통합보안관제(SIEM) 시스템에 방화벽, IPS, 웹 방화벽 등 네트워크 보안 장비를 연동하는 경우, 우리는 20년 이상 UDP를 통한 SYSLOG 전송 프로토콜을 사용해왔습니다. 이는 RFC3164 - The BSD syslog Protocol 문서에 정의된 것으로 대부분의 사람들이 익숙합니다.

UDP를 통한 SYSLOG 전송 방식은 흐름 제어(Flow Control)를 사용하지 않으므로, 수신 시스템의 성능이 느리거나 심지어 장애가 발생하더라도 송신 시스템까지 영향을 미치지 않는다는 장점이 있습니다. 특히 네트워크 장비가 로그로 인해 성능에 영향이 있다면 통신 장애로 귀결되므로, 자연스럽게 UDP 기반 SYSLOG 전송이 매우 선호되어 왔습니다.

그러나 UDP는 프로토콜 수준에서 암호화를 지원하지 않으므로 로그 내용이 그대로 노출될 수 있습니다. 클라우드 기반의 원격 관제 서비스를 구성할 때 전용선이나 VPN이 아닌 인터넷 구간을 통해 네트워크 보안 장비를 직접 SIEM에 접속시켜야 할 경우가 자주 발생합니다. 이런 시나리오에서는 반드시 TLS 채널을 통해 안전하게 로그를 전송하도록 구성해야 합니다.

그런데 TCP 또는 TLS 채널을 통해 로그를 전송할 때 비표준 프로토콜 설계를 종종 보게 됩니다. UDP 소켓에서 수신할 때는 송신한 메시지대로 패킷이 전달되기 때문에 멀티라인 등 어떤 형태라도 의도한 메시지 단위로 로그가 전송됩니다. 반면 TCP 소켓에서는 스트림으로 데이터가 수신되기 때문에, 메시지의 경계를 직접 정의해주어야 합니다.

RFC6587 - Transmission of Syslog Messages over TCP 문서는 2012년에 나왔지만 의외로 이 내용을 알고 있는 사람을 찾아보기가 상당히 어려웠습니다. 그것이 보안 솔루션 개발 시 비표준 구현을 만드는 원인이라 생각되어 오늘 간단히 TCP 프로토콜에서 사용하는 SYSLOG 메시지 프레이밍을 소개하고자 합니다.

Non-Transparent-Framing

레거시 시스템이 오래 전부터 사용하는 방법은 메시지 구분자를 이용하는 것입니다. 개행 문자(Line Feed)를 사용하여 메시지를 구분하는 것이 가장 흔한 방법입니다.

다만 여러 줄로 구성된 로그를 전송할 때는 개행 문자를 구분자로 사용할 수 없습니다. 이런 경우 NULL 문자를 구분자로 사용하기도 합니다.

Octet Counting

RFC6587이나 TLS 채널을 통한 Syslog 전송을 다룬 RFC5425에 정의된 규칙은 메시지 시작 위치에 10진수로 뒤에 오게 될 페이로드의 길이를 바이트 단위로 기록하는 것입니다.

예를 들어, 이 PCAP 파일의 첫번째 메시지 프레임은 MSG-LEN 94와 공백 문자로 시작하며 이어지는 메시지 텍스트는 <30>부터 Server… 뒤의 개행 (0x0a) 문자까지 94바이트가 이어집니다:

94 <30>1 2023-01-12T19:29:28+09:00 ubuntu20host systemd 1 - - Starting Squid Web Proxy Server...

Octet Counting 예제

정리

인터넷 규약대로 로그 전송을 구현하면 기존의 많은 시스템에 한 번에 호환시킬 수 있습니다. 반면, 비표준 방식으로 로그를 전송하면 자사의 장비를 새로운 유형의 시스템에 연동해야 할 때마다 많은 시간과 비용을 야기합니다. 이 글이 업계의 상호 운영성을 향상시키는데 도움이 되기를 바랍니다.

둘러보기

더보기

봇 탐지 머신러닝 모델링

사이버 보안 분야의 머신러닝 모델링은 네트워크 프로토콜, 로그 기록 방식, 공격 기법, 취약점 등에 대해 종합적으로 이해하고 있어야 하기 때문에 처음 시작하는데 많은 어려움이 있습니다. 이번 글에서는 웹 로그를 대상으로 인터넷 봇 트래픽을 분류하는 모델을 만드는 과정을 통해 머신러닝 모델링 방법을 설명하려고 합니다. 인터넷 봇은 인터넷 익스플로러, 크롬과 같은 웹 브라우저가 아니라 자동화된 방식으로 웹사이트에 접속하는 프로그램을 의미합니다. 로그프레소에서는 실제로 따라할 수 있도록 로그프레소 스토어의 웹 로그를 익명화한 데이터를 제공합니다. opendata@logpresso.com 으로 연락주시면 데이터를 재배포하지 않으며 연구 목적으로만 사용하는데 동의하신 경우에 한해 데이터를 전달해드립니다. IP 주소를 익명화하는 대신, 접속 IP의 특성을 확인할 수 있도록 AI 스페라의 [크리미널 IP](https://criminalip.io) 평판 정보 약 1만 건을 포함합니다. 이 웹 로그는 아래와 같은 필드를 포함하고 있습니다; - 접속 시각, 로그 ID, 레이블, 익명화된 IP 식별번호, 크리미널 IP 평판, 국가, ASN, 처리 소요시간, HTTP 응답 상태, 다운로드 바이트, HTTP 메소드, 경로 및 쿼리스트링, 개행으로 구분된 HTTP 헤더 목록 ### 봇 데이터 특성 확인 머신러닝 모델링에서 가장 먼저 해야할 일은 데이터의 특성 확인입니다. 사람이 구분하지 못하는 것은 기계도 구분하기 어렵습니다. 아래는 크롬 브라우저를 통해 접속한 경우 기록되는 HTTP 헤더입니다: ``` Host: logpresso.store User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36 Connection: Keep-Alive Accept-Language: ko-KR,ko;q=0.9,en-US;q=0.8,en;q=0.7 Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9 Referer: https://<masked> Accept-Encoding: gzip, deflate, br sec-ch-ua: "Chromium";v="104", " Not A;Brand";v="99", "Google Chrome";v="104" sec-ch-ua-mobile: ?0 sec-ch-ua-platform: "Windows" upgrade-insecure-requests: 1 sec-fetch-site: cross-site sec-fetch-mode: navigate sec-fetch-user: ?1 sec-fetch-dest: document content-length: 0 ``` 아래는 아이폰 사파리 브라우저에서 접속한 경우 기록되는 HTTP 헤더입니다: ``` Host: logpresso.store User-Agent: Mozilla/5.0 (iPhone; CPU iPhone OS 16_0_2 like Mac OS X) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/16.0 Mobile/15E148 Safari/604.1 Connection: Keep-Alive Accept-Language: ko-KR,ko;q=0.9 Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8 Referer: https://www.logpresso.com/ Accept-Encoding: gzip, deflate, br content-length: 0 ``` 아래는 masscan 봇이 접속한 경우 기록되는 HTTP 헤더입니다: ``` User-Agent: masscan/1.0 (https://github.com/robertdavidgraham/masscan) Accept: */* content-length: 0 ``` 아래는 zgrab 봇이 접속한 경우 기록되는 HTTP 헤더입니다: ``` Host: 3.39.215.159 User-Agent: Mozilla/5.0 zgrab/0.x Accept: */* Accept-Encoding: gzip content-length: 0 ``` 아래는 Censys 봇이 접속한 경우 기록되는 HTTP 헤더입니다: ``` Host: 3.39.215.159 User-Agent: Mozilla/5.0 (compatible; CensysInspect/1.1; +https://about.censys.io/) Accept-Encoding: gzip Connection: close content-length: 0 ``` 아래는 실제 공격의 HTTP 헤더입니다: ``` Host: 3.39.215.159 Content-Length: 20 Accept-Encoding: gzip, deflate Accept: */* User-agent: Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/81.0.4044.129 Safari/537.36 Connection: keep-alive Content-Type: application/x-www-form-urlencoded ``` 몇 개 밖에 안 되는 샘플이지만 어느 정도 경향성이 눈에 보일 것입니다. 주목할 수 있는 봇 HTTP 트래픽의 특징은 아래와 같습니다: - 전반적으로 HTTP 헤더의 수가 적은 경향이 있다. - Host 헤더에 IP 주소가 사용되거나 존재하지 않는다. - Accept 헤더는 `*/*` 으로 모든 유형의 응답을 수락한다. - User-Agent 헤더 값은 마치 크롬 브라우저 같지만 브라우저 버전이 매우 낮다. - Accept-Encoding 헤더는 `br` (Brotli) 같은 최신의 압축 유형을 지원하지 않는다. - Accept-Language 헤더가 없거나 quality factor 없이 단순하다. - Referer 헤더가 존재하지 않는다. 왜 이러한 특징이 나타날까요? 봇은 자동화된 프로그램이므로 사용자 편의와 관련된 헤더가 없습니다. 인터넷을 광범위하게 스캔하며 활동하는 봇들은 특정 사이트를 목표로 하는 것이 아니기 때문에 도메인 정보가 없고 IP 주소 범위를 순차적으로 접속합니다. 반대로 말하면, 우리가 지금 만들고 있는 모델은 APT (Advanced Persistent Threat) 공격 탐지에는 적합하지 않다는 의미입니다. 단 하나의 모델이 모든 유형의 공격을 효과적으로 탐지하기는 어려우므로, 목적에 따라 모델을 조합할 필요가 있습니다. 한편, 2차적으로 파생되는 특성들도 존재합니다. IP 주소는 구간별로 ASN에 할당되는데, 샘플 데이터를 ASN (Autonomous System Number) 단위로 집계해보면 명확한 특성을 확인할 수 있습니다. ``` jsonfile masked_labeled_store_access.json | pivot count rows asn cols label | search in(asn, "*Korea Telecom*", "*OVH*", "*Free SAS*") ``` ![ASN별 정상 및 악성 데이터 분포](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-01-asn-stats.png) ASN에 따라 상당히 치우친 결과를 볼 수 있는데 이는 가입자망에서 직접 봇을 돌리는 것보다 클라우드나 호스팅 서비스에서 봇을 돌리는게 추적을 회피하는데 훨씬 유리하기 때문입니다. 그래서 경험이 많은 보안팀은 IP 대역만 봐도 직감적으로 정탐을 구분할 수 있습니다. 일반적인 고객이 굳이 클라우드나 호스팅 서비스를 통해 웹 서비스에 접속할 이유가 없습니다. 같은 맥락에서, 외부 인텔리전스를 활용하여 특정 IP 주소가 VPN IP 주소인지, 프록시 IP인지, TOR 노드 IP인지 구분할 수 있다면 정오탐을 판단하는데 상당한 도움이 될 것입니다. 아래는 샘플 데이터의 IP에 대해 AI 스페라에서 크리미널 IP 서비스의 평판 정보를 조회하여 생성한 자료입니다. ![크리미널 IP 평판 데이터](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-02-criminal-ip-reputations.png) 하지만 현실적으로 모든 접속 IP 주소에 대해 매번 평판을 조회하기는 어려우므로, 이 정보는 라벨링에만 사용할 것입니다. masked_labeled_store_access.json 파일은 미리 라벨링이 되어있지만, 모델러가 처음 맞닥뜨리는 가장 어려운 문제는 어떻게 대량의 학습용 데이터를 라벨링할 것인가 하는 부분입니다. 데이터에 라벨링이 되어있지 않다면 어떻게 해야할까요? ### 휴리스틱을 이용한 공격 로그 라벨링 로그프레소는 강력한 쿼리 기능을 제공하므로 휴리스틱 룰을 적용하여 명백한 공격 로그와, 정상 로그를 나눠볼 수 있습니다. 예를 들면, 스캐너 봇은 아래와 같이 대량의 HTTP 404 오류를 유발합니다. ``` jsonfile masked_labeled_store_access.json | search pin == "IP_09686" | fields _time, log_id, pin, label, reputation, country, asn, method, uri, path, query, params, status, duration ``` ![스캐너 봇이 유발한 404 오류 목록](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-03-404-errors.png) 물론 정상적인 검색엔진의 경우에도 존재하지 않는 sitemap.xml 이나 favicon.ico 를 조회하려고 시도할 수 있으므로, 아래와 같이 404가 발생한 경로명들을 추출해보고 허용되는 접속 오류는 일부 수작업으로 걸러내도록 합니다. ``` jsonfile masked_labeled_store_access.json | search status == 404 | stats count by path | eval len = len(path) | sort len ``` ![웹 애플리케이션 공격 경로 통계](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-04-attack-paths.png) 약 2000건 이상의 공격 경로들을 확인할 수 있습니다. 단, 일부 마스킹 관련된 오류가 있기도 하고, 앞서 언급한 것처럼 정상적인 404 접속 시도도 존재하므로 관련 없는 경로들은 제외해야 합니다. ![정상 사용자 및 브라우저의 경로 오류](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-05-typo-paths.png) ``` load 77836557-74ac-4304-8efc-a0c28f92e4e9 | search not(in(path, "/timezone", "/ko/oauth", "/ko/login", "/ko/apps*", "/en/apps*", "/apps*", "/en/packages/*", "/ko/packages/*", "", "/", "//", "/en", "/ko", "/ip", "/ko/", "/robots.txt", "/sitemap.txt", "//sitemap.xml", "/sitemap.xml.gz", "/sitemap_index.xml", "/apple-touch-icon.png", "/apple-touch-icon-precomposed.png")) ``` 이 쿼리 결과를 저장해두고 아래와 같이 다시 불러와서 조인시키면 명백한 공격 로그를 식별할 수 있습니다. 불러오기 메뉴에서 저장된 쿼리 결과를 클릭하면 guid를 확인할 수 있습니다. ``` jsonfile masked_labeled_store_access.json | join path [ load ba890e78-af76-4c4f-a658-185c68513681 | fields path ] | fields _time, log_id, pin, label, reputation, country, asn, method, uri, path, query, params, status, duration ``` ![악성 라벨링이 완료된 데이터셋](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-06-malicious-dataset.png) 전체 29만건 중에서 2만건의 봇 접속 로그가 명확하게 식별되었습니다. 가장 흔하게 보이는 `/wp-includes/wlwmanifest.xml` 경로 접근은 워드프레스 취약점 공격입니다. 이 쿼리 결과는 이후에 정상 데이터와 합쳐서 학습 데이터로 만들 것입니다. ### 휴리스틱을 이용한 정상 로그 라벨링 봇이 아닌 일반적인 브라우저의 접속 로그만 확실하게 추려낼 수 있는 방법이 어떤게 있을까요? 봇들도 User-Agent 헤더로는 일반 브라우저인 것처럼 위장하기 때문에 에이전트 문자열을 이용하는 것은 적절하지 않습니다. 정상 로그는 상대적으로 훨씬 많으므로 여러가지 방법이 있을 수 있겠지만, 여기에서는 봇이 일반적으로 ETag 기반의 캐시 로직까지 따라하지는 않는다는 점을 이용하려고 합니다. 웹 브라우저가 이전 컨텐츠를 캐시하고 있어야만 `if-none-match` 헤더로 ETag를 전송할 수 있고, 그 값이 정확해야만 웹 서버가 `304 Not Modified` 응답하게 되니 일반적인 웹 브라우저일 가능성이 훨씬 높습니다. ``` jsonfile masked_labeled_store_access.json | search status == 304 | fields _time, log_id, pin, label, reputation, country, asn, method, uri, headers ``` ![ETag를 이용한 정상 데이터 라벨링](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-07-etag-match.png) 이제 정상으로 확신할 수 있는 약 5만건의 데이터가 확보되었습니다. ### 학습 데이터 생성 앞서 여러가지 봇 데이터 특성에 대하여 언급하였습니다. 이제 원본 데이터에서 특성(feature)을 추출해야 합니다. 정규표현식을 사용하면 간단히 원하는 헤더 항목을 추출할 수 있습니다. 정규식 앞부분의 `(?i)` 는 대소문자를 무시하라는 의미입니다. ``` jsonfile masked_labeled_store_access.json | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | fields _time, pin, user_agent, accept_lang, accept, connection, host, accept_encoding, chrome_ver, edge_ver, referer, accept_encoding, sec_fetch_site ``` ![HTTP 헤더 필드 추출](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-08-http-header-extraction.png) 이 문자열 값들을 그대로 모델에 넣을 수도 있기는 하지만 나중에 학습되지 않은 범주형 (categorical) 값이 들어오면 분류 정확도가 떨어지기 때문에 좋은 결과를 기대하기 어렵습니다. 조금 더 전처리를 수행해봅시다: ``` jsonfile masked_labeled_store_access.json | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, 0) | fields _time, log_id, pin, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot ``` ![머신러닝 모델 특성 추출](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-09-feature-extraction.png) 이제 수치형으로 깔끔하게 정리되었습니다. 각 특성의 의미는 아래와 같습니다: - header_count: 헤더 수 - has_sec_fetch_site: `sec-fetch-site` 헤더 존재 여부 - has_referer: `referer` 헤더 존재 여부 - accept_all: `*/*` 여부 - accept_br: `br` 압축 가용 여부 - accept_sdch: `sdch` 압축 가용 여부 - chrome_ver: 크롬 버전 - python_client: Python 클라이언트 여부 - go_client: Go 클라이언트 여부 - java_client: 자바 클라이언트 여부 - fb_asn: 페이스북 ASN에서 접속 - google_asn: 구글 ASN에서 접속 - ms_asn: 마이크로소프트 ASN에서 접속 - huawei_asn: 화웨이 클라우드 ASN에서 접속 - yandex_asn: 얀덱스 ASN에서 접속 - fb_client: 페이스북 클라이언트 여부 - google_bot: User-Agent 헤더의 Google 봇 여부 - bing_bot: User-Agent 헤더의 Bing 봇 여부 - petal_bot: User-Agent 헤더의 Petal 봇 여부 - yandex_bot: User-Agent 헤더의 Yandex 봇 여부 - known_bot: 허용된 봇 여부. 위의 검색엔진 봇을 포괄하고 이후 IP 주소로 특정된 봇 허용 그러면 이제 이 모든 것을 합쳐서 라벨링된 학습 데이터를 만들 수 있습니다. ``` # 정상, 악성 라벨링된 데이터 병합 | jsonfile masked_labeled_store_access.json | search status == 304 | eval label = "BENIGN" | union [ jsonfile masked_labeled_store_access.json | join path [ load ba890e78-af76-4c4f-a658-185c68513681 | fields path ] | eval label = "MALICIOUS" ] | # 피처 추출 영역 | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, 0) | fields _time, log_id, label, pin, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot ``` ![완성된 학습 데이터셋](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-10-train-dataset.png) 이제 이 결과 데이터에서 _time, log_id, pin을 제외하고 labeled.csv로 다운로드 합니다. 복사-붙여넣기 편의상 이후 모델링은 로그프레소 쉘에서 수행하도록 하겠습니다. ``` logpresso> ml.addCsvInput bot labeled.csv added ``` 아래와 같이 로드된 데이터를 확인할 수 있습니다. ``` logpresso> ml.input bot Input [bot] --------------------- Type: csv Size: 74444 Fields --------------------- label (CATEGORICAL, cardinality 2) header_count (NUMERIC) has_sec_fetch_site (NUMERIC) has_referer (NUMERIC) accept_all (NUMERIC) accept_br (NUMERIC) accept_sdch (NUMERIC) chrome_ver (NUMERIC) python_client (NUMERIC) go_client (NUMERIC) java_client (NUMERIC) fb_asn (NUMERIC) google_asn (NUMERIC) ms_asn (NUMERIC) huawei_asn (NUMERIC) yandex_asn (NUMERIC) fb_client (NUMERIC) google_bot (NUMERIC) bing_bot (NUMERIC) petal_bot (NUMERIC) yandex_bot (NUMERIC) known_bot (NUMERIC) ``` 처음이니 모든 특성을 랜덤포레스트 모델에 투입해봅시다. 학습 목표인 label 변수 앞에는 `+` 기호로 표시합니다. ``` logpresso> ml.createModel rforest bot bot Input [bot] --------------------- Type: csv Size: 74444 Fields --------------------- label (CATEGORICAL, cardinality 2) header_count (NUMERIC) has_sec_fetch_site (NUMERIC) has_referer (NUMERIC) accept_all (NUMERIC) accept_br (NUMERIC) accept_sdch (NUMERIC) chrome_ver (NUMERIC) python_client (NUMERIC) go_client (NUMERIC) java_client (NUMERIC) fb_asn (NUMERIC) google_asn (NUMERIC) ms_asn (NUMERIC) huawei_asn (NUMERIC) yandex_asn (NUMERIC) fb_client (NUMERIC) google_bot (NUMERIC) bing_bot (NUMERIC) petal_bot (NUMERIC) yandex_bot (NUMERIC) known_bot (NUMERIC) Select Model Fields? +label, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot created ``` 학습 명령을 내리고 진행 상태를 확인합니다: ``` logpresso> ml.fit bot started logpresso> ml.tasks Model Tasks ------------- [6518b162-3cc8-4b90-9d25-ebee8e80ed67] rforest [bot] progress (load 100.00%, train 40.00%), elapsed 4 secs ``` 이제 모델 정보를 조회하면 변수 중요도와 모델 성능을 확인할 수 있습니다: ``` logpresso> ml.model bot Model [bot] ------------------- Fields ------------------- [*] label (cardinality: 2) [ ] header_count [ ] has_sec_fetch_site [ ] has_referer [ ] accept_all [ ] accept_br [ ] accept_sdch [ ] chrome_ver [ ] python_client [ ] go_client [ ] java_client [ ] fb_asn [ ] google_asn [ ] ms_asn [ ] huawei_asn [ ] yandex_asn [ ] fb_client [ ] google_bot [ ] bing_bot [ ] petal_bot [ ] yandex_bot [ ] known_bot ------------------- Hyper Parameters ------------------- ------------------- Variable Importance ------------------- accept_all: 39.61612659638045 has_sec_fetch_site: 3.191940042593 header_count: 1.5948264282227802 accept_sdch: 0.43369895792856517 fb_asn: 0.3070484892597034 has_referer: 0.10297082667489638 accept_br: 0.0 chrome_ver: 0.0 python_client: 0.0 go_client: 0.0 java_client: 0.0 google_asn: 0.0 ms_asn: 0.0 huawei_asn: 0.0 yandex_asn: 0.0 fb_client: 0.0 google_bot: 0.0 bing_bot: 0.0 petal_bot: 0.0 yandex_bot: 0.0 known_bot: 0.0 ------------------- Performance ------------------- Accuracy: 0.9952982267598065 Precision: 0.9952982267598065 Recall: 0.9952982267598065 F1 score: 0.9952982267598065 ``` 처음 돌렸는데 정확도가 무려 99.5%라니 이게 정말 통할까요? 전체 데이터에 동일하게 피처 추출한 상태로 rforest 명령어를 추가하여 확인합니다: ``` jsonfile masked_labeled_store_access.json | # 피처 추출 영역 | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, 0) | # 랜덤포레스트 모델 호출 | rforest model=bot header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot | fields _time, log_id, _guess, label, pin, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot ``` ![랜덤포레스트 모델 추론](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-11-model-inference.png) 랜덤포레스트 모델이 분류한 결과는 `_guess` 필드에 출력됩니다. 일단 시작부터 틀린 것이 보이니 뒤에 `stats count by _guess, label` 을 추가하여 혼동행렬 (Confusion Matrix)을 계산해봅시다. ![혼동 행렬](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-11-confusion-matrix.png) 테스트할 때는 99.5%인 줄 알았는데 전체 데이터에 대해서 돌려보니 88% 밖에 안 됩니다. 뭐가 잘못된 것일까요? 모델은 MALICIOUS라고 답했는데 BENIGN이었던 데이터들을 확인해봅시다. ``` jsonfile masked_labeled_store_access.json | # 피처 추출 영역 | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, 0) | # 모델 호출 | rforest model=bot header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot | fields _time, log_id, _guess, label, pin, user_agent, headers, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot | # 오탐 결과만 선별 | search _guess == "MALICIOUS" and label == "BENIGN" ``` ![오탐 샘플 분석](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-12-false-positives.png) 보아하니 검색엔진 봇들이 모두 악성으로 분류된 것 같습니다. _guess == "MALICIOUS" and label == "BENIGN” 결과를 대상으로 한 번 통계를 내보겠습니다: ``` result 4704 | stats count by user_agent | sort -count ``` ![오탐 발생한 유저 에이전트 통계](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-13-false-positive-agent-stats.png) 오탐 26327건 중에 PetalBot, bingbot, Slack-ImgProxy, facebookexternalhit 정도만 제대로 처리되더라도 22577건, 즉, 오탐의 85%를 제거할 수 있습니다. 그런데 이 검색엔진 관련된 피처를 빠뜨렸던게 아닙니다. 왜 이런 일이 벌어졌을까요? 이 때 모델 정보의 변수 중요도(Variable Importance)를 다시 확인해봐야 합니다. ``` ------------------- Variable Importance ------------------- accept_all: 39.61612659638045 has_sec_fetch_site: 3.191940042593 header_count: 1.5948264282227802 accept_sdch: 0.43369895792856517 fb_asn: 0.3070484892597034 has_referer: 0.10297082667489638 accept_br: 0.0 chrome_ver: 0.0 python_client: 0.0 go_client: 0.0 java_client: 0.0 google_asn: 0.0 ms_asn: 0.0 huawei_asn: 0.0 yandex_asn: 0.0 fb_client: 0.0 google_bot: 0.0 bing_bot: 0.0 petal_bot: 0.0 yandex_bot: 0.0 known_bot: 0.0 ``` accept_all 특성이 지배적이고, fb_asn 외의 검색엔진 관련된 변수는 모델에 전혀 사용되지 않은 것처럼 보입니다. 한 번 이전의 학습 데이터에서 known_bot 분포를 확인해봐야겠습니다. ``` # 정상, 악성 라벨링된 데이터 병합 | jsonfile masked_labeled_store_access.json | search status == 304 | eval label = "BENIGN" | union [ jsonfile masked_labeled_store_access.json | join path [ load ba890e78-af76-4c4f-a658-185c68513681 | fields path ] | eval label = "MALICIOUS" ] | # 피처 추출 영역 | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, 0) | fields _time, log_id, label, pin, path, headers, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot | # known_bot 통계 | pivot count rows known_bot cols label ``` known_bot이 1인 경우 오히려 73건 모두 악성으로 라벨링되어 있습니다. 아까 404 응답에 대해 확실한 공격으로 분류했었는데 뭔가 잘못된듯 합니다. ![접속 허용된 봇에 대한 분류 결과 통계](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-14-known-bot-confusion-matrix.png) 원본을 확인하니 페이스북에서 포스팅할 때 경로 입력 과정의 오타로 인해 404 응답 처리된 로그들이 있었고 그것들이 모두 악성으로 분류되었다는 점을 확인할 수 있습니다. 그 외에 bing 봇의 atom.xml, sitemaps.xml 요청에 대한 404 응답도 모두 악성으로 잘못 분류되었습니다. ![악성으로 잘못 분류된 데이터 예시](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-15-mislabeled-data.png) 그 외에 Slack도 known_bot으로 분류해야 하는데, Slack은 AWS를 사용하므로 IP 주소로 특정할 수 밖에 없습니다. 1444건이 출력되는 아래의 쿼리 결과를 저장합니다. ``` jsonfile masked_labeled_store_access.json | search headers == "*Slack-*" | stats count by pin, asn ``` 이것들을 모두 반영해서 학습 데이터를 다시 정리합니다. ``` # 정상, 악성 라벨링된 데이터 병합 | jsonfile masked_labeled_store_access.json | search status == 304 | eval label = "BENIGN" | # 슬랙 known_bot 정상 데이터 추가 | union [ jsonfile masked_labeled_store_access.json | search headers == "*Slack-*" | eval known_bot=1, label = "BENIGN" ] | # 악성 분류 데이터에서 facebook이나 bingbot은 정상으로 재분류 | union [ jsonfile masked_labeled_store_access.json | join path [ load ba890e78-af76-4c4f-a658-185c68513681 | fields path ] | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | eval label = if(user_agent == "*facebookexternalhit*" or user_agent == "*bingbot*", "BENIGN", "MALICIOUS") ] | # 피처 추출 영역 | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, nvl(known_bot, 0)) | fields _time, log_id, label, pin, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot ``` 모델 데이터를 다시 적재하고 학습합니다: ``` logpresso> ml.addCsvInput bot_fixed labeled_fixed.csv added logpresso> ml.createModel rforest bot2 bot_fixed Input [bot_fixed] --------------------- Type: csv Size: 76867 Fields --------------------- label (CATEGORICAL, cardinality 2) header_count (NUMERIC) has_sec_fetch_site (NUMERIC) has_referer (NUMERIC) accept_all (NUMERIC) accept_br (NUMERIC) accept_sdch (NUMERIC) chrome_ver (NUMERIC) python_client (NUMERIC) go_client (NUMERIC) java_client (NUMERIC) fb_asn (NUMERIC) google_asn (NUMERIC) ms_asn (NUMERIC) huawei_asn (NUMERIC) yandex_asn (NUMERIC) fb_client (NUMERIC) google_bot (NUMERIC) bing_bot (NUMERIC) petal_bot (NUMERIC) yandex_bot (NUMERIC) known_bot (NUMERIC) Select Model Fields? +label, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_c lient, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot created logpresso> ml.fit bot2 started logpresso> ml.tasks Model Tasks ------------- [5fc1a68a-4a3b-4810-ab7a-9608212ed480] rforest [bot2] progress (load 100.00%, train 30.00%), elapsed 4 secs ``` 새로 학습된 모델의 정확도는 어떤지 확인해봅니다: ``` logpresso> ml.model bot2 Model [bot2] ------------------- Fields ------------------- [*] label (cardinality: 2) [ ] header_count [ ] has_sec_fetch_site [ ] has_referer [ ] accept_all [ ] accept_br [ ] accept_sdch [ ] chrome_ver [ ] python_client [ ] go_client [ ] java_client [ ] fb_asn [ ] google_asn [ ] ms_asn [ ] huawei_asn [ ] yandex_asn [ ] fb_client [ ] google_bot [ ] bing_bot [ ] petal_bot [ ] yandex_bot [ ] known_bot ------------------- Hyper Parameters ------------------- ------------------- Variable Importance ------------------- accept_sdch: 56.48699943927758 yandex_bot: 22.787406812885486 accept_all: 21.551910129425835 has_sec_fetch_site: 4.790621163151365 header_count: 1.281179927083544 chrome_ver: 0.20474131367645387 has_referer: 0.20081416801138077 yandex_asn: 0.04364948596639201 google_asn: 0.03269234686475131 accept_br: 0.0 python_client: 0.0 go_client: 0.0 java_client: 0.0 fb_asn: 0.0 ms_asn: 0.0 huawei_asn: 0.0 fb_client: 0.0 google_bot: 0.0 bing_bot: 0.0 petal_bot: 0.0 known_bot: 0.0 ------------------- Performance ------------------- Accuracy: 0.9879659142652703 Precision: 0.9879659142652703 Recall: 0.988356208937748 F1 score: 0.9881610230627685 ``` F1 점수는 98.8%로 이전보다 오히려 약간 떨어졌는데요. 이제 전체 데이터에 대해 새로 만든 `bot2` 모델을 돌려서 다시 결과를 확인할 것입니다. 주의할 점은 학습할 때 Slack을 알려진 봇으로 처리했으니 모델 입력 시 동일한 처리를 추가해야 한다는 것입니다. rforest 명령어의 model 이름도 `bot2` 로 변경해야 합니다. ``` jsonfile masked_labeled_store_access.json | # 피처 추출 영역 | rex field=headers "(?i)user-agent: (?<user_agent>[^\n]+)" | rex field=headers "(?i)accept-language: (?<accept_lang>[^\n]+)" | rex field=headers "(?i)accept: (?<accept>[^\n]+)" | rex field=headers "(?i)connection: (?<connection>[^\n]+)" | rex field=headers "(?i)host: (?<host>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)chrome/(?<chrome_ver>\d+)" | rex field=headers "(?i)edg/(?<edge_ver>\d+)" | rex field=headers "(?i)referer: (?<referer>[^\n]+)" | rex field=headers "(?i)accept-encoding: (?<accept_encoding>[^\n]+)" | rex field=headers "(?i)sec-fetch-site: (?<sec_fetch_site>[^\n]+)" | eval accept_br = if(accept_encoding == "*br*", 1, 0) | eval accept_sdch = if(accept_encoding == "*sdch*", 1, 0) | eval chrome_ver = int(chrome_ver), edge_ver = int(edge_ver) | eval python_client = if(lower(user_agent) == "*python*", 1, 0) | eval go_client = if(lower(user_agent) == "*go-http-client*", 1, 0) | eval java_client = if(lower(user_agent) == "*java*", 1, 0) | eval fb_asn = if(asn == "*FACEBOOK*", 1, 0) | eval google_asn = if(asn == "*GOOGLE*", 1, 0) | eval ms_asn = if(asn == "*MICROSOFT*", 1, 0) | eval huawei_asn = if(asn == "*HUAWEI CLOUDS*", 1, 0) | eval yandex_asn = if(asn == "*YANDEX*", 1, 0) | eval fb_client = if(in(user_agent, "*FBAN/FBIOS;FBDV*", "*facebookexternalhit*", "*cortex/1.0*", "*adreview*"), 1, 0) | eval google_bot = if(in(user_agent, "*Googlebot-Image/*", "*Googlebot/*"), 1, 0) | eval bing_bot = if(in(user_agent, "*bingbot/*"), 1, 0) | eval petal_bot = if(in(user_agent, "*PetalBot*"), 1, 0) | eval yandex_bot = if(in(user_agent, "*YandexBot/*"), 1, 0) | eval accept_all = if(len(accept) == 3, 1, 0), keep_alive = if(lower(connection) == "keep-alive", 1, 0) | eval has_referer = if(len(referer) > 0, 1, 0) | eval has_sec_fetch_site = if(len(sec_fetch_site) > 0, 1, 0) | eval header_count = len(split(headers, "\n")), host_header_ip = if(isnotnull(ip(host)), 1, 0) | eval known_bot = if((google_bot > 0 and google_asn > 0) or (ms_asn > 0 and bing_bot > 0) or (fb_asn > 0 and fb_client > 0) or (huawei_asn > 0 and petal_bot > 0), 1, 0) | # 추론 시에도 슬랙의 known_bot 처리를 추가해야 함 | eval known_bot = if(user_agent == "*Slack-*", 1, known_bot) | # 랜덤포레스트 모델 호출 | rforest model=bot2 header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot | fields _time, log_id, _guess, label, pin, header_count, has_sec_fetch_site, has_referer, accept_all, accept_br, accept_sdch, chrome_ver, python_client, go_client, java_client, fb_asn, google_asn, ms_asn, huawei_asn, yandex_asn, fb_client, google_bot, bing_bot, petal_bot, yandex_bot, known_bot ``` 이제 정확도가 95%로 개선되었습니다. ![최종 모델의 혼동 행렬](/media/ko/2022-10-11-machine-learning-for-bot-detection/bot-16-final-confusion-matrix.png) ### 정리 전체 데이터의 라벨링은 휴리스틱으로 일괄 처리했기 때문에, 앞서 봤던 것처럼 일부 오류가 있을 수 있습니다. 적용된 방법은 아래와 같습니다: - 다수의 세부 페이지 접속에서 단 한 번의 오류도 유발하지 않은 브라우저 접속 로그 - 크리미널 IP 서비스([https://criminalip.io/](https://criminalip.io/))에서 평판 조회 결과가 inbound_score 혹은 outbound_score가 4 이상인 경우 악성 IP로 일괄 분류 - 정상 서비스 경로라도 악성 데이터를 POST한 경우 해당 IP의 모든 로그를 악성으로 분류 - 알려진 스캐너, 흔하지 않은 크롤러, 프로그래밍 방식으로 접근한 모든 클라이언트 로그를 악성으로 분류 이 글에서는 HTTP 헤더에서 특성을 추출하여 사용했지만, 일반적인 웹 서버의 로그 세팅에서는 통상 헤더 전체가 기록되지 않습니다. 기본적인 웹 로그 세팅에서 알려지지 않은 웹 공격을 탐지하는게 목적이라면, 로그프레소의 특허 제10-2096785처럼 로그의 시퀀스를 학습하는 것이 좋습니다. 웹 방화벽은 공격 탐지 시 HTTP 헤더 정보를 전달하지만, 탐지 결과의 정오탐 분류가 목적이라면 HTTP 본문을 포함한 페이로드 전체를 대상으로 모델링하는 것이 효과적입니다. 개별 웹 로그에 대해 모델이 추론한 결과로 경보를 발생시키면 경보의 양 때문에 대응하는데 어려움을 겪을 수 있습니다. 수백만 건의 접속 로그에 대하여 단 1%만 오류가 발생하더라도 1000건 이상의 오탐이 발생할 수 있기 때문입니다. 따라서 출발지 IP 주소로 그룹화하여 경보를 발생시키는 것이 탐지 결과에서 전체적인 맥락을 파악하고 방화벽 등을 통해 위협 IP를 차단 조치하기에 유리합니다.

2022-10-10

액티브 디렉터리 LDAP 연동

액티브 디렉터리는 중앙 집중적으로 인증을 처리하며 그룹 정책을 관리하기 때문에 계정, 호스트 등 많은 양의 정보가 내재되어 있습니다. 온프레미스 환경에서 액티브 디렉터리의 정보를 통합하려면 LDAP 프로토콜을 사용해야 합니다. 로그프레소에서 액티브 디렉터리를 연동하려면 먼저 LDAP 프로파일을 등록해야 합니다. ![](/media/ko/2023-05-23-ldapsearch/ldap_profile.png) 설정이 완료되면 아래와 같이 `ldapsearch` 쿼리와 LDAP 필터를 이용하여 액티브 디렉터리에 등록된 계정 목록을 조회할 수 있습니다: ``` ldapsearch profile=AD filter="(&(userPrincipalName=*))" ``` ![LDAP 계정 목록 조회](/media/ko/2023-05-23-ldapsearch/ldap_users.png) 수십 가지의 계정 정보를 확인할 수 있습니다만, 타임스탬프는 [윈도우 FileTime 형식](https://learn.microsoft.com/ko-kr/windows/win32/api/minwinbase/ns-minwinbase-filetime)이기 때문에 보기가 어렵습니다. FileTime은 아래와 같이 변환하여 볼 수 있습니다. ``` ldapsearch profile=AD filter="(&(userPrincipalName=*))" | eval lastLogon = if(lastLogon == "0", null, epoch(floor(long(lastLogon) / 10000 - 11644473600000))) | eval badPasswordTime = if(badPasswordTime == "0", null, epoch(floor(long(badPasswordTime) / 10000 - 11644473600000))) | order sAMAccountName, lastLogon, badPasswordTime ``` ![LDAP FileTime 변환](/media/ko/2023-05-23-ldapsearch/ldap_users_filetime.png) 액티브 디렉터리에 조인된 호스트 목록은 아래와 같이 확인할 수 있습니다. ``` ldapsearch profile=AD filter="(&(servicePrincipalName=*))" | eval lastLogon = epoch(floor(long(lastLogon) / 10000 - 11644473600000)) | order cn, operatingSystem, operatingSystemVersion, lastLogon, whenCreated, whenChanged ``` ![LDAP 호스트 목록](/media/ko/2023-05-23-ldapsearch/ldap_hosts.png) 이렇게 로그프레소에 액티브 디렉터리 데이터를 통합하면 더 이상 사용되지 않는 계정이나 오래된 시스템을 주기적으로 식별하고 정리할 수 있으므로, 잠재적인 공격 표면을 줄이고 안정적으로 내부 IT 인프라를 관리할 수 있습니다.

2023-05-23

레지스트리 포렌식

레지스트리는 윈도우즈 운영체제와 응용프로그램에 관련된 방대한 설정과 운영 정보가 기록된 데이터베이스입니다. 윈도우즈 운영체제 초창기에는 INI 파일을 사용했으나, 레지스트리가 도입되면서 표준화된 계층적 데이터 구조, 다중 사용자 환경 지원, 접근 권한 제어, 바이너리 포맷 파일 기반의 효율적 I/O, 타입 시스템, 트랜잭션 등을 제공하게 되었습니다. 레지스트리를 분석하면 어떤 프로그램이나 서비스가 부팅 시 자동으로 실행되는지, 어떤 프로그램을 최근에 실행했는지, 어떤 프로그램을 얼마나 오래 사용했는지, 최근 어떤 파일을 검색했는지, 어떤 파일을 열어봤는지, 어느 서버에 접속했는지, 어떤 파일을 압축했는지 등 무수히 많은 정보를 추출할 수 있습니다. 따라서 레지스트리 분석은 사고 조사 초기에 수행해야 할 중요한 단계이며, 여기에서 확인된 정보에 따라 후속 조사의 진행이 결정될 수 있습니다. ## 레지스트리 하이브 파일 레지스트리 편집기(regedit)를 통해 하나로 보이는 레지스트리의 계층적 구조는 물리적으로 여러 개의 레지스트리 하이브 파일에 분산되어 있습니다. ![](/media/ko/2020-11-01-registry-forensic/reg-hive-files.png) `%SystemRoot%\System32\config` 디렉터리에는 아래와 같은 레지스트리 하이브 파일이 존재합니다. * SAM: HKEY_LOCAL_MACHINE\SAM * SECURITY: HKEY_LOCAL_MACHINE\Security * SOFTWARE: HKEY_LOCAL_MACHINE\Software * SYSTEM: HKEY_LOCAL_MACHINE\System 또한 각 사용자 계정의 디렉터리에는 NTUSER.DAT 레지스트리 하이브 파일이 존재합니다. ## HIVE 파일 구조 레지스트리 하이브 파일은 아래와 같이 구성되어 있습니다. ![](/media/ko/2020-11-01-registry-forensic/hive-structure.png) BASE 블록 구조 ![](/media/ko/2020-11-01-registry-forensic/hive-base-block.png) HIVE BIN 헤더 구조 ![](/media/ko/2020-11-01-registry-forensic/hive-bin-header.png) 로그프레소 포렌식의 hive-file 커맨드는 아래와 같은 필드를 출력합니다. ![](/media/ko/2020-11-01-registry-forensic/hive-file-command.png) * key: 키 * type: 타입 (문자열, 이진값, DWORD, QWORD 등) * name: 값 * value: 데이터 * last_written: 마지막 기록 시각 ## 코드게이트 포렌식 문제 연습 로그프레소 포렌식 솔루션은 쿼리를 기반으로 다양한 포렌식 아티팩트를 연관 분석하는 강력한 기능을 지원합니다. 아래에서는 이전 코드게이트 2011 컨퍼런스에서 레지스트리와 관련하여 출제된 문제를 어떻게 분석하는지 설명합니다. > we are investigating the military secret's leaking. we found traffic with leaking secrets while monitoring the network. Security team was sent to investigate, immediately. But, there was no one present. > It was found by forensics team that all the leaked secrets were completely deleted by wiping tool. And the team has found a leaked trace using potable device. Before long, the suspect was detained. But he denies allegations. > Now, the investigation is focused on potable device. The given files are acquired registry files from system. The estimated time of the incident is Mon, 21 February 2011 15:24:28(KST). > Find a trace of portable device used for the incident. > The Key : "Vendor name" + "volume name" + "serial number" (please write in capitals) * Codegate 2011 Forensic 300 문제 파일 제시된 파일의 압축을 풀면 6개의 레지스트리 하이브 파일을 확인할 수 있습니다. 먼저 시스템에 마운트된 장치 정보를 추출하기 위해 SYSTEM 하이브 파일에서 MountedDevices 키를 검색하면 아래와 같이 이진값으로 된 레지스트리 데이터를 확인할 수 있습니다. ```query hive-file codegate2011\system.bak | search key == "*MountedDevices" and name == "\\DosDevices*" ``` ![](/media/ko/2020-11-01-registry-forensic/codegate-step1.png) 이 데이터를 UTF-16으로 디코드하면 아래와 같은 문자열을 확인할 수 있습니다. ```query hive-file codegate2011\system.bak | search key == "*MountedDevices" and name == "\\DosDevices*" | eval value = substr(decode(value, "UTF-16LE"), 4) ``` ![](/media/ko/2020-11-01-registry-forensic/codegate-step2.png) USB 값만 필터링해서 정규식으로 파싱하면 제조사, 모델명, 버전, 시리얼을 추출할 수 있습니다. ```query hive-file codegate2011\system.bak | search key == "*MountedDevices" and name == "\\DosDevices*" | eval value = substr(decode(value, "UTF-16LE"), 4) | search value == "*USB*" | rex field=value "Ven_(?<vendor>[^&]+)&Prod_(?<product>[^&]+)&Rev_(?<version>[^#]+)#(?<serial>[^&]+)" | eval serial = lower(serial) | fields vendor, product, version, serial, value ``` ![](/media/ko/2020-11-01-registry-forensic/codegate-step3.png) 그러나 아직 볼륨 이름과 장치를 연결한 시간을 확인하지 못한 상태입니다. 장치를 연결한 시간은 HKLM\SYSTEM\ControlSet00X\Enum\USB\VID_####&PID_#### 키의 마지막 수정 시간을 확인하면 됩니다. 아래와 같이 쿼리하면 66개의 키를 확인할 수 있습니다. ```query hive-file codegate2011\system.bak | search key == "*USB\\VID_*" | eval serial = lower(valueof(split(key, "\\"), 5)) | stats max(last_written) as last_connect by serial ``` ![](/media/ko/2020-11-01-registry-forensic/codegate-step4.png) 볼륨 이름은 HKLM\SOFTWARE\Microsoft\Windows Portable Devices\Devices 키에서 확인할 수 있습니다. 아래와 같이 쿼리하면 40개의 키를 확인할 수 있습니다. ```query hive-file codegate2011\software.bak | search key == "*Windows Portable Devices*" and name == "FriendlyName" | rex field=key "&REV_[^#]+#(?<serial>[^&]+)" | eval serial = lower(serial) | stats first(value) as volume_name by serial ``` ![](/media/ko/2020-11-01-registry-forensic/codegate-step5.png) 이 3종의 쿼리 결과를 시리얼 번호로 조인하면 원하는 결과를 한 번에 추출할 수 있습니다. ```query hive-file codegate2011\system.bak | search key == "*MountedDevices*" | eval value = substr(decode(value, "UTF-16LE"), 4) | search value == "*USB*" | rex field=value "Ven_(?<vendor>[^&]+)&Prod_(?<product>[^&]+)&Rev_(?<version>[^#]+)#(?<serial>[^&]+)" | eval serial = lower(serial) | stats count by vendor, product, version, serial, value | join serial [ hive-file codegate2011\system.bak | search key == "*USB\\VID_*" | eval serial = lower(valueof(split(key, "\\"), 5)) | stats max(last_written) as last_connect by serial ] | join serial [ hive-file codegate2011\software.bak | search key == "*Windows Portable Devices*" and name == "FriendlyName" | rex field=key "&REV_[^#]+#(?<serial>[^&]+)" | eval serial = lower(serial) | stats first(value) as volume_name by serial ] | search last_connect >= date("2011-02-21", "yyyy-MM-dd") and last_connect <= date("2011-02-22", "yyyy-MM-dd") | order volume_name, vendor, product, version, serial, last_connect ``` ![](/media/ko/2020-11-01-registry-forensic/codegate-step6.png) 이처럼 로그프레소 쿼리를 이용하여 레지스트리 포렌식 데이터를 손쉽게 분석하고 가공할 수 있으며, 재사용 가능한 라이브러리로 구축할 수 있습니다.

2020-11-01