基于擴(kuò)展前綴樹(shù)的協(xié)議格式推斷方法

洪 征，田益凡，張洪澤，吳禮發(fā)

解放軍陸軍工程大學(xué) 指揮控制工程學(xué)院，南京 210000

1 引言

協(xié)議規(guī)范是對(duì)網(wǎng)絡(luò)協(xié)議語(yǔ)法、語(yǔ)義以及同步等信息的具體描述，在網(wǎng)絡(luò)安全領(lǐng)域扮演著重要角色。僵尸網(wǎng)絡(luò)中，攻擊者使用C&C（Command and Control）協(xié)議來(lái)控制存在漏洞的主機(jī)實(shí)施DDoS（Distributed Denial of Service）攻擊等惡意行為，網(wǎng)絡(luò)管理員需要依據(jù)C&C協(xié)議規(guī)范來(lái)發(fā)現(xiàn)和分析僵尸網(wǎng)絡(luò)[1]。入侵檢測(cè)系統(tǒng)中，需要基于協(xié)議規(guī)范從繁雜的網(wǎng)絡(luò)流量中辨識(shí)出惡意流量。在模糊測(cè)試過(guò)程中，可以利用協(xié)議規(guī)范指導(dǎo)測(cè)試用例生成以實(shí)現(xiàn)更加高效的自動(dòng)化漏洞挖掘[2-3]。然而出于利益、版權(quán)、安全等因素，軟件廠(chǎng)商和個(gè)人往往不愿意公開(kāi)協(xié)議細(xì)節(jié)，如微軟使用的網(wǎng)絡(luò)文件共享SMB（Server Message Block）協(xié)議，Oracle數(shù)據(jù)庫(kù)訪(fǎng)問(wèn)的TNS（Transparence Network Substrate）協(xié)議以及微信、QQ等即時(shí)通信軟件所使用的協(xié)議都沒(méi)有公開(kāi)協(xié)議細(xì)節(jié)，這些未知協(xié)議在網(wǎng)絡(luò)中的廣泛使用，給安全防護(hù)帶來(lái)了極大的阻礙。

對(duì)于未知協(xié)議而言，目前主要通過(guò)協(xié)議逆向分析方法[4]獲取其協(xié)議規(guī)范。依據(jù)分析對(duì)象的不同，逆向分析方法可分為兩類(lèi)：基于網(wǎng)絡(luò)流量的分析方法和基于指令執(zhí)行軌跡的分析方法。基于網(wǎng)絡(luò)流量的分析方法對(duì)截獲的網(wǎng)絡(luò)數(shù)據(jù)流進(jìn)行分析，通過(guò)生物信息學(xué)、統(tǒng)計(jì)分析、數(shù)據(jù)挖掘等方法，對(duì)報(bào)文樣本進(jìn)行聚類(lèi)分析，依據(jù)相同格式報(bào)文在取值上的相似性，分析獲取協(xié)議語(yǔ)法、語(yǔ)義信息?；谥噶顖?zhí)行軌跡的分析方法以協(xié)議解析過(guò)程中的指令執(zhí)行軌跡為分析對(duì)象，將協(xié)議輸入數(shù)據(jù)作為污點(diǎn)數(shù)據(jù)源，利用動(dòng)態(tài)污點(diǎn)分析（Dynamic Taint Analysis）方法[5]跟蹤數(shù)據(jù)解析過(guò)程，依據(jù)協(xié)議解析程序如何使用污點(diǎn)數(shù)據(jù)以及相應(yīng)的上下文信息獲取協(xié)議規(guī)范。

基于指令執(zhí)行軌跡的分析方法通常具有較高的準(zhǔn)確率，能夠獲得更全面的語(yǔ)義信息，但這類(lèi)分析方法的實(shí)施需要分析人員擁有協(xié)議終端的可執(zhí)行程序，并要求依據(jù)協(xié)議解析環(huán)境進(jìn)行分析，依賴(lài)于底層平臺(tái)，無(wú)法移植，通用性不強(qiáng)?；诰W(wǎng)絡(luò)流量的分析方法以網(wǎng)絡(luò)數(shù)據(jù)流為輸入，雖然其準(zhǔn)確率依賴(lài)于捕獲樣本的豐富程度，但實(shí)現(xiàn)靈活，適用于各種應(yīng)用場(chǎng)景，能夠?qū)嵤┳詣?dòng)化分析。本文針對(duì)基于網(wǎng)絡(luò)流量的分析方法進(jìn)行研究，重點(diǎn)關(guān)注協(xié)議語(yǔ)法以及語(yǔ)義信息的提取。

目前國(guó)內(nèi)外已有一些針對(duì)協(xié)議格式提取的研究成果，PI（Protocol Information）項(xiàng)目[6]是最早提出的基于網(wǎng)絡(luò)流量的協(xié)議格式推斷方法，引入了生物學(xué)中的多序列比對(duì)算法，通過(guò)將報(bào)文樣本進(jìn)行比對(duì)對(duì)齊的方式提取協(xié)議格式信息。Cui等人提出一種基于遞歸聚類(lèi)的協(xié)議格式提取方案Discoverer[7]，按照文本和二進(jìn)制兩種屬性對(duì)報(bào)文字節(jié)流進(jìn)行標(biāo)注，得到報(bào)文屬性序列，并對(duì)其進(jìn)行序列比對(duì)得到初始聚類(lèi)結(jié)果，隨后利用格式標(biāo)志（Field Distinguish）字段進(jìn)行遞歸聚類(lèi)獲取協(xié)議格式。Krueger提出一種基于統(tǒng)計(jì)的格式推斷方法PRISMA[8]。該方法首先利用自然語(yǔ)言處理中的N-gram思想以及分隔符對(duì)報(bào)文序列進(jìn)行分詞得到候選特征詞，進(jìn)而使用統(tǒng)計(jì)學(xué)方法對(duì)候選特征詞進(jìn)行篩選構(gòu)建特征矩陣，并以特征詞為基礎(chǔ)描述報(bào)文序列。Zhang等人則提出一種基于專(zhuān)家投票算法的特征詞提取方法ProWord[9]，并將其應(yīng)用于流量分類(lèi)。Luo等人提出一種基于位置信息的協(xié)議格式推斷方法AutoReEngine[10]，采用Apriori算法獲取特征詞，利用位置信息對(duì)特征詞進(jìn)行合并和篩選，得到協(xié)議關(guān)鍵詞集合，最終再次利用Apriori算法對(duì)協(xié)議關(guān)鍵詞進(jìn)行組合提取協(xié)議格式及協(xié)議狀態(tài)機(jī)。

以上方案都存在一些缺陷：PI項(xiàng)目直接對(duì)整個(gè)報(bào)文樣本進(jìn)行序列比對(duì)，時(shí)間復(fù)雜度較高。Discoverer雖然利用報(bào)文屬性序列和格式標(biāo)志字段降低了時(shí)間復(fù)雜度，但其采用常見(jiàn)文本類(lèi)分隔符對(duì)報(bào)文樣本進(jìn)行劃分的處理方法并不適用于二進(jìn)制協(xié)議。此外，對(duì)于未知協(xié)議而言哪些分隔符會(huì)在協(xié)議中被使用具有很大的不確定性。PRISMA中對(duì)文本協(xié)議使用分隔符方法進(jìn)行劃分，也存在類(lèi)似問(wèn)題。且PRISMA在處理二進(jìn)制協(xié)議時(shí)，采用N-gram方法選取固定長(zhǎng)度的特征詞，而實(shí)際報(bào)文中特征詞的長(zhǎng)度并不相同，固定長(zhǎng)度的特征詞的權(quán)重也會(huì)受到隨機(jī)串的影響。AutoReEngine通過(guò)Apriori算法結(jié)合位置信息提取協(xié)議關(guān)鍵詞，對(duì)于字段位置可變的協(xié)議，如HTTP、SIP協(xié)議，可能遺失部分關(guān)鍵詞。

為了提高協(xié)議格式推斷方法的通用性以及準(zhǔn)確率，本文提出一種基于擴(kuò)展前綴樹(shù)的應(yīng)用層未知協(xié)議格式推斷方法，實(shí)現(xiàn)了原型系統(tǒng)EPT-PFI（Extended Prefix Tree based Protocol Format Inference）。EPT-PFI以截獲的網(wǎng)絡(luò)報(bào)文作為輸入，通過(guò)N-gram方法對(duì)報(bào)文樣本進(jìn)行分詞，結(jié)合點(diǎn)間互信息PMI（Point Mutual Information）對(duì)候選關(guān)鍵詞進(jìn)行合并提取協(xié)議關(guān)鍵詞，在此基礎(chǔ)上對(duì)報(bào)文樣本進(jìn)行標(biāo)注獲得協(xié)議關(guān)鍵詞序列。而后構(gòu)建擴(kuò)展前綴樹(shù)（Extended Prefix Tree，EPT）描述協(xié)議關(guān)鍵詞序列，并基于擴(kuò)展前綴樹(shù)實(shí)現(xiàn)分段的多序列比對(duì)。最后，依據(jù)協(xié)議報(bào)文結(jié)構(gòu)對(duì)擴(kuò)展前綴樹(shù)進(jìn)行合并，獲取協(xié)議格式信息。

2 基于擴(kuò)展前綴樹(shù)的協(xié)議格式推斷

2.1 問(wèn)題定義

協(xié)議規(guī)范由協(xié)議格式和協(xié)議狀態(tài)機(jī)兩部分構(gòu)成。協(xié)議狀態(tài)機(jī)指定了合法報(bào)文的傳送順序，通過(guò)特定的報(bào)文發(fā)送序列構(gòu)成特定會(huì)話(huà)（Session）以實(shí)現(xiàn)所需的功能。協(xié)議格式指定了會(huì)話(huà)中每條報(bào)文的語(yǔ)法以及語(yǔ)義信息，只有符合協(xié)議格式的才是合法報(bào)文，才能被協(xié)議終端正確解析。協(xié)議語(yǔ)法規(guī)定了報(bào)文的字段、結(jié)構(gòu)以及字段語(yǔ)義，定義了組成報(bào)文的每一個(gè)字段（Field）的關(guān)鍵詞、數(shù)據(jù)類(lèi)型、位置以及長(zhǎng)度等具體信息。協(xié)議語(yǔ)義則定義了每一個(gè)字段在協(xié)議解析過(guò)程中所代表的實(shí)際意義，如HTTP協(xié)議（Hyper Text Transfer Protocol）請(qǐng)求報(bào)文中的“HOST”字段指定了請(qǐng)求資源所在的主機(jī)和端口號(hào)。常見(jiàn)的協(xié)議報(bào)文主要涉及以下幾種形式[11]：

（1）二進(jìn)制形式，即預(yù)先規(guī)定若干個(gè)固定比特位為一個(gè)字段，字段內(nèi)容即代表該字段的取值，如DNS協(xié)議的前16個(gè)比特位標(biāo)識(shí)DNS ID號(hào)。

（2）ASCII碼形式，即采用易于理解的ASCII字符表示字段含義，使用預(yù)定義的分隔符（空格、回車(chē)換行等）作為字段結(jié)束標(biāo)志，如MIME協(xié)議報(bào)文中的協(xié)議版本字段“MIME-Version”。

（3）TLV（Type-Length-Value）形式，即使用固定長(zhǎng)度字節(jié)表示字段類(lèi)型，固定長(zhǎng)度字節(jié)的Length表名該字段取值的字節(jié)數(shù)，而其后緊跟的指定長(zhǎng)度內(nèi)容即字段取值，如eDonkey協(xié)議格式。

（4）指針形式，即采用指針指出某一個(gè)字段的開(kāi)始和結(jié)束，如DNS協(xié)議響應(yīng)報(bào)文中的回答計(jì)數(shù)指定了回答區(qū)域的條目數(shù)。

通信報(bào)文中一些字段是固定字段，一些是可變字段。但由于協(xié)議規(guī)范以及使用條件的制約，同種協(xié)議中同類(lèi)格式的報(bào)文樣本往往會(huì)體現(xiàn)出一些統(tǒng)計(jì)相似性或相關(guān)性，具體來(lái)說(shuō)就是在報(bào)文樣本中有一些具有固定模式、頻繁出現(xiàn)的比特串或字符串。文獻(xiàn)[11]將這些具有固定模式的串統(tǒng)稱(chēng)為協(xié)議關(guān)鍵詞。以圖1所示HTTP協(xié)議報(bào)文為例，請(qǐng)求報(bào)文中的請(qǐng)求方法字段“GET”和協(xié)議版本字段“HTTP/1.1”，響應(yīng)報(bào)文中的響應(yīng)碼“200 OK”，以及“Key-Value”格式的字段中起標(biāo)識(shí)作用的字符串“Key”，如“Host”、“Connection”和“Date”等，這些能夠標(biāo)識(shí)報(bào)文類(lèi)型或者協(xié)議字段的字符串都可以被稱(chēng)為協(xié)議關(guān)鍵詞。

圖1 HTTP協(xié)報(bào)文示例

另外，由于分隔符通常在單個(gè)報(bào)文中多次出現(xiàn)且位置變化較大，對(duì)于協(xié)議分析會(huì)造成較大困擾，所以本文在沿用文獻(xiàn)[11]定義的基礎(chǔ)上，將分隔符排除在協(xié)議關(guān)鍵詞之外。而分隔符通常為一到兩個(gè)字節(jié)，如逗號(hào)、回車(chē)換行符等，可以通過(guò)設(shè)置N-gram分詞方法中N的取值來(lái)過(guò)濾掉分隔符。

本文的協(xié)議格式提取方案建立在協(xié)議關(guān)鍵詞分析的基礎(chǔ)之上?，F(xiàn)有研究采用分隔符對(duì)文本協(xié)議進(jìn)行分詞以得到協(xié)議關(guān)鍵詞，但未知協(xié)議的分隔符存在較大不確定性。對(duì)于二進(jìn)制協(xié)議，目前方法通常采用N-gram提取關(guān)鍵詞，但所得到的關(guān)鍵詞為固定長(zhǎng)度N，而實(shí)際協(xié)議關(guān)鍵詞的長(zhǎng)度往往不固定，所以這類(lèi)方法與實(shí)際存在出入。論文提出一種基于點(diǎn)間互信息的協(xié)議關(guān)鍵詞提取方法，適用于二進(jìn)制協(xié)議和文本協(xié)議。首先采用N-gram分詞方法對(duì)報(bào)文樣本進(jìn)行處理，在得到固定長(zhǎng)度的候選關(guān)鍵詞后，結(jié)合點(diǎn)間互信息對(duì)候選關(guān)鍵詞進(jìn)行合并，推斷獲得不同長(zhǎng)度的協(xié)議關(guān)鍵詞。

在信息論中，熵是對(duì)事物不確定性的度量，而點(diǎn)間互信息（Point Mutual Information）是在熵的基礎(chǔ)上提出來(lái)的概念，這一概念經(jīng)常被用于自然語(yǔ)言處理以及數(shù)據(jù)挖掘領(lǐng)域來(lái)衡量?jī)蓚€(gè)單詞間的相關(guān)程度。單詞wi,wj之間的互信息可以定義為：

p(wi,wj)表示單詞wi,wj同時(shí)出現(xiàn)在一個(gè)報(bào)文中的概率，p(wi)表示單詞wi出現(xiàn)在報(bào)文樣本中的概率，p(wj)表示單詞wj出現(xiàn)在報(bào)文樣本中的概率。PMI(wi,wj)衡量的是兩個(gè)單詞之間的相關(guān)性，即確定了一個(gè)單詞后另一個(gè)單詞的不確定性（即熵值）的減少量，PMI(wi,wj)越大，則兩個(gè)單詞之間的相關(guān)性越高。

對(duì)于通過(guò)分詞獲得的候選關(guān)鍵詞而言，如果兩個(gè)候選詞是一個(gè)協(xié)議關(guān)鍵詞的子串，那么它們之間將具有較大的相關(guān)性。本文引入點(diǎn)間互信息來(lái)衡量候選關(guān)鍵詞之間的相關(guān)性。如果兩個(gè)候選詞位置相鄰、存在N-1個(gè)連續(xù)的相同字符（如“HTT”和“TTP”）且相關(guān)性較大，則將兩者合并為一個(gè)長(zhǎng)度大于N的候選詞，如此重復(fù)以獲得任意長(zhǎng)度的協(xié)議關(guān)鍵詞。

獲取協(xié)議關(guān)鍵詞后，依據(jù)報(bào)文樣本對(duì)應(yīng)的協(xié)議關(guān)鍵詞序列構(gòu)建擴(kuò)展前綴樹(shù)，實(shí)現(xiàn)報(bào)文樣本的初始聚類(lèi)以及同類(lèi)報(bào)文的分段。隨后，采用分段的多序列比對(duì)獲取報(bào)文的詳細(xì)格式信息。并通過(guò)對(duì)擴(kuò)展前綴樹(shù)進(jìn)行合并以減少冗余，得到最終協(xié)議格式。

2.2 方法概述

本文提出的協(xié)議格式推斷方法，主要包括4個(gè)處理階段：預(yù)處理階段、協(xié)議關(guān)鍵詞提取階段、報(bào)文結(jié)構(gòu)提取階段以及協(xié)議格式合并階段，主要流程如圖2所示。其中預(yù)處理階段的主要工作是對(duì)原始數(shù)據(jù)流進(jìn)行劃分獲取報(bào)文樣本集合。協(xié)議關(guān)鍵詞提取階段將利用N-gram分詞方法對(duì)報(bào)文樣本進(jìn)行處理，結(jié)合互信息獲取協(xié)議關(guān)鍵詞序列。報(bào)文結(jié)構(gòu)推斷階段依據(jù)協(xié)議關(guān)鍵詞序列構(gòu)建擴(kuò)展前綴樹(shù)，通過(guò)基于擴(kuò)展前綴樹(shù)描述的分段多序列比對(duì)推斷協(xié)議格式。協(xié)議格式合并階段將基于報(bào)文結(jié)構(gòu)對(duì)擴(kuò)展前綴樹(shù)進(jìn)行合并，得到詳細(xì)的協(xié)議格式信息。

2.2.1 預(yù)處理階段

圖2 原型系統(tǒng)EPT-PFI的主要處理流程

對(duì)于未知協(xié)議而言，分析對(duì)象是連續(xù)的網(wǎng)絡(luò)數(shù)據(jù)流，由于網(wǎng)絡(luò)分層結(jié)構(gòu)以及分片機(jī)制，往往需要以會(huì)話(huà)和報(bào)文為粒度對(duì)數(shù)據(jù)流進(jìn)行分割得到便于分析的報(bào)文樣本集合[12]，以會(huì)話(huà)為粒度的分割被稱(chēng)為會(huì)話(huà)劃分，以報(bào)文為粒度的分割被稱(chēng)為報(bào)文定界。

會(huì)話(huà)劃分是從連續(xù)的網(wǎng)絡(luò)數(shù)據(jù)流中分離出通信實(shí)體間的單次會(huì)話(huà)，主要依靠底層協(xié)議提供的信息實(shí)現(xiàn)。對(duì)于應(yīng)用層協(xié)議而言，可以使用協(xié)議五元組<源IP地址，源端口號(hào)，目的IP地址，目的端口號(hào)，傳輸層協(xié)議類(lèi)型>得到獨(dú)立的通信會(huì)話(huà)。

報(bào)文定界是從一次獨(dú)立會(huì)話(huà)中分離出單個(gè)協(xié)議報(bào)文。對(duì)于應(yīng)用層協(xié)議而言，可以利用傳輸層協(xié)議的報(bào)文首部和首部的長(zhǎng)度字段實(shí)現(xiàn)。定界之后得到的報(bào)文樣本作為后續(xù)階段的輸入。

2.2.2 協(xié)議關(guān)鍵詞提取階段

此階段的目的是從經(jīng)過(guò)預(yù)處理的報(bào)文樣本中提取協(xié)議關(guān)鍵詞，并使用協(xié)議關(guān)鍵詞對(duì)報(bào)文進(jìn)行標(biāo)注得到協(xié)議關(guān)鍵詞序列。原始報(bào)文樣本集合可以表示為S={m1,m2,…,mi,…,ms}，其中mi為樣本集合中的某一個(gè)報(bào)文，表示報(bào)文mi中的第 j個(gè)字符。得到初始報(bào)文樣本后，采用N-gram分詞方法對(duì)報(bào)文樣本進(jìn)行逐一處理，得到所有在樣本集合中出現(xiàn)過(guò)的長(zhǎng)度為N的字符串，如對(duì)報(bào)文進(jìn)行N-gram分詞，將得到等字符串。計(jì)算每一個(gè)字符串相對(duì)于完整報(bào)文樣本的出現(xiàn)頻率。在統(tǒng)計(jì)時(shí)，如果一個(gè)字符串在一個(gè)報(bào)文中出現(xiàn)多次，只進(jìn)行一次統(tǒng)計(jì)，因?yàn)榇穗A段處理的目的是獲取候選關(guān)鍵詞集合，而協(xié)議關(guān)鍵詞是對(duì)協(xié)議格式或者報(bào)文字段的一種標(biāo)識(shí)，往往不會(huì)在同一樣本中重復(fù)出現(xiàn)。

在得到的字符串中，大部分字符串出現(xiàn)的頻率較低，它們通常對(duì)應(yīng)著報(bào)文中的變值字段或者是變值字段的子串，這些字段取值不確定甚至完全隨機(jī)產(chǎn)生。協(xié)議格式提取希望確定的是相對(duì)穩(wěn)定的協(xié)議報(bào)文構(gòu)成結(jié)構(gòu)，故設(shè)置閾值Tfreq，對(duì)這些出現(xiàn)頻率較低的字符串進(jìn)行過(guò)濾。將頻率高于閾值的字符串作為候選關(guān)鍵詞添加到候選關(guān)鍵詞集合G中。

由于候選關(guān)鍵詞集合G中的元素都是通過(guò)N-gram分詞得到，其長(zhǎng)度皆為N，而實(shí)際協(xié)議報(bào)文中，協(xié)議關(guān)鍵詞長(zhǎng)度并不完全相同。對(duì)于長(zhǎng)度大于N的協(xié)議關(guān)鍵詞，可以由長(zhǎng)度為N的子串合并得到，如HTTP協(xié)議中的關(guān)鍵詞“Host”可以由“Hos”和“ost”合并得到。鑒于這種相關(guān)性，本文使用點(diǎn)間互信息對(duì)集合G中的候選詞進(jìn)行合并，以得到不同長(zhǎng)度的協(xié)議關(guān)鍵詞。

為了對(duì)候選關(guān)鍵詞進(jìn)行合并，首先，需要依據(jù)候選關(guān)鍵詞集合G對(duì)報(bào)文樣本進(jìn)行標(biāo)注，得到對(duì)應(yīng)的候選關(guān)鍵詞序列，其中表示報(bào)文mi中的第 j個(gè)候選關(guān)鍵詞，表示在報(bào)文樣本集合中出現(xiàn)的頻率，表示在報(bào)文mi中相對(duì)于報(bào)文起始位置的偏移。進(jìn)而得到整個(gè)報(bào)文樣本對(duì)應(yīng)的候選詞序列集合Seq={key_seq1,key_seq2,…,key_seqi,…}。

隨后，基于互信息對(duì)集合Seq中的每個(gè)候選關(guān)鍵詞序列key_seqi中的協(xié)議關(guān)鍵詞進(jìn)行合并，具體步驟如下。

步驟1從左至右遍歷候選關(guān)鍵詞序列key_seqi，尋找位置相鄰且存在相同的連續(xù)N-1個(gè)字符（即滿(mǎn)足以下條件）的候選關(guān)鍵詞：

（1）候選詞，并且

（2）候選詞位置相鄰-=1。

（3）候選詞的后N-1個(gè)字符與的前N-1個(gè)字符相同：bg+lj-N+2…bg+lj-1=bh…bh+N-2。

步驟2對(duì)于滿(mǎn)足步驟1中條件的候選詞，搜索點(diǎn)間互信息集合PMI（初始為空），若其中存在PMI()則直接獲取其值，若不存在則計(jì)算它們之間的互信息PMI()并存入集合PMI中。得到候選詞之間的互信息后，若PMI()超過(guò)所設(shè)定的閾值TPMI，則合并候選詞1的重疊部分得到新的候選詞w：

步驟3從key_seqi中刪除，將值替換為w。隨后從繼續(xù)遍歷更新后的key_seqi，重復(fù)步驟1～3直至遍歷完key_seqi。

步驟4由于協(xié)議關(guān)鍵詞一般不會(huì)在同一報(bào)文中重復(fù)出現(xiàn)，故遍歷key_seqi，刪除在同一個(gè)關(guān)鍵詞序列中出現(xiàn)多次的元素，得到最終的協(xié)議關(guān)鍵詞序列以及更新后的關(guān)鍵詞序列集合Seq。

2.2.3 協(xié)議格式推斷階段

通過(guò)上述步驟能夠得到每個(gè)報(bào)文樣本對(duì)應(yīng)的協(xié)議關(guān)鍵詞，而相同格式的報(bào)文對(duì)應(yīng)的關(guān)鍵詞序列往往相同，因此可以依據(jù)協(xié)議關(guān)鍵詞序列對(duì)報(bào)文樣本進(jìn)行聚類(lèi)，將同種格式報(bào)文聚成一類(lèi)，依據(jù)同類(lèi)報(bào)文樣本在結(jié)構(gòu)上的相似性提取協(xié)議格式信息。本文提出使用擴(kuò)展前綴樹(shù)描述協(xié)議關(guān)鍵詞序列，擴(kuò)展前綴樹(shù)中的每條路徑代表一種關(guān)鍵詞序列，節(jié)點(diǎn)對(duì)應(yīng)協(xié)議關(guān)鍵詞，節(jié)點(diǎn)之間的邊代表報(bào)文樣本中對(duì)應(yīng)關(guān)鍵詞之間的報(bào)文片段。采用擴(kuò)展前綴樹(shù)的描述方法，一方面便于實(shí)現(xiàn)對(duì)報(bào)文樣本的初始聚類(lèi)，另一方面便于實(shí)現(xiàn)分段的多序列比對(duì)。

2.2.3.1 構(gòu)建擴(kuò)展前綴樹(shù)

前綴樹(shù)（Prefix Tree）是一種有序多叉樹(shù)結(jié)構(gòu)，通常以字符串為輸入，利用字符串的公共前綴來(lái)實(shí)現(xiàn)快速檢索以及字符串匹配等操作。本文對(duì)前綴樹(shù)進(jìn)行擴(kuò)展，將協(xié)議關(guān)鍵詞序列作為輸入，協(xié)議關(guān)鍵詞作為節(jié)點(diǎn)，按照順序?qū)f(xié)議關(guān)鍵詞插入前綴樹(shù)中，以得到的擴(kuò)展前綴樹(shù)描述報(bào)文樣本對(duì)應(yīng)的協(xié)議關(guān)鍵詞序列。

為了構(gòu)建擴(kuò)展前綴樹(shù)，在得到協(xié)議關(guān)鍵詞序列集合Seq后，遍歷集合Seq，將其中的元素依次插入樹(shù)結(jié)構(gòu)中。同時(shí)，為了排除樣本中的噪聲，在構(gòu)建擴(kuò)展前綴樹(shù)的過(guò)程中記錄每種關(guān)鍵詞序列對(duì)應(yīng)的報(bào)文樣本總數(shù)，刪除樣本數(shù)小于閾值Tnum的關(guān)鍵詞序列。舉例說(shuō)明，對(duì)于包含表1所示元素的集合Seq，首先構(gòu)建根節(jié)點(diǎn)“Start”表示起始位置，隨后遍歷集合Seq，依據(jù)其中的協(xié)議關(guān)鍵詞序列將得到圖3所示的擴(kuò)展前綴樹(shù)。

圖3 擴(kuò)展前綴樹(shù)示例

擴(kuò)展前綴樹(shù)中的每條路徑表示一種協(xié)議格式，圖中共有6種協(xié)議格式。樹(shù)中的每一個(gè)節(jié)點(diǎn)表示一個(gè)協(xié)議關(guān)鍵詞，節(jié)點(diǎn)之間的邊表示真實(shí)報(bào)文中對(duì)應(yīng)協(xié)議關(guān)鍵詞之間的報(bào)文片段。例如，擴(kuò)展前綴樹(shù)第1條和第2條路徑中“GET”節(jié)點(diǎn)與“HTTP”節(jié)點(diǎn)之間的邊，表示格式符合表1第1種或第3種關(guān)鍵詞序列的對(duì)應(yīng)的報(bào)文樣本示例中協(xié)議關(guān)鍵詞“GET”和“HTTP”之間的報(bào)文片段“admin.php”和“index.php”。

構(gòu)建擴(kuò)展前綴樹(shù)的過(guò)程實(shí)際是對(duì)報(bào)文樣本進(jìn)行聚類(lèi)以及對(duì)聚類(lèi)子類(lèi)中的報(bào)文進(jìn)行分段的過(guò)程，同種格式的報(bào)文會(huì)匯聚在同一條路徑上，并且依據(jù)節(jié)點(diǎn)對(duì)應(yīng)的協(xié)議關(guān)鍵詞分為多個(gè)片段，這種表示方式有利于后續(xù)提取每個(gè)報(bào)文片段的結(jié)構(gòu)以及語(yǔ)義信息。

2.2.3.2 序列比對(duì)

對(duì)于得到的擴(kuò)展前綴樹(shù)，采用先深搜索遍歷每一條路徑，對(duì)同一路徑上相鄰兩節(jié)點(diǎn)之間的報(bào)文（即擴(kuò)展前綴樹(shù)中的邊）采用Needleman-Wunsch多序列比對(duì)算法進(jìn)行比對(duì)，以提取詳細(xì)的協(xié)議格式信息。包括協(xié)議字段取值類(lèi)型（字符串、整數(shù)或二進(jìn)制數(shù)等）、取值范圍（包含常量字段、枚舉字段、隨機(jī)字段）等，并在擴(kuò)展前綴樹(shù)上做相應(yīng)標(biāo)注。

舉例來(lái)看，若圖3擴(kuò)展前綴樹(shù)中第1條路徑所對(duì)應(yīng)的報(bào)文如圖4所示，其協(xié)議關(guān)鍵詞序列為<“GET”，“HTTP”，“Host”，“User-Agent”>（圖中“_”表示報(bào)文中本身包含的空格，“--”表示序列比對(duì)填充的空格）。通過(guò)多序列比對(duì)能夠得到詳細(xì)的格式信息，如第2個(gè)片段取值為一個(gè)浮點(diǎn)數(shù)后接回車(chē)換行符，且浮點(diǎn)數(shù)取值為“1.1”或“1.0”。

圖4 報(bào)文示例

通過(guò)這種分段的多序列比對(duì)，能夠抽象出每個(gè)序列片段的報(bào)文結(jié)構(gòu)，相對(duì)于PI項(xiàng)目等直接對(duì)整個(gè)報(bào)文進(jìn)行序列比對(duì)，降低了時(shí)間復(fù)雜度。同時(shí)這種分段的格式提取方法，將報(bào)文依據(jù)協(xié)議關(guān)鍵詞進(jìn)行劃段，也解決了多序列比對(duì)方法應(yīng)用于結(jié)構(gòu)復(fù)雜、報(bào)文過(guò)長(zhǎng)的協(xié)議樣本效果不佳的問(wèn)題。

2.2.4 協(xié)議格式合并階段

由于實(shí)際使用的通信協(xié)議往往具有較強(qiáng)的靈活性，完全依據(jù)協(xié)議關(guān)鍵詞序列進(jìn)行協(xié)議格式提取容易產(chǎn)生較多的冗余格式，即一種協(xié)議格式在推斷時(shí)被劃分為多種不同的協(xié)議格式。過(guò)多的格式冗余將導(dǎo)致推斷結(jié)果的適用性降低。

一方面，一些報(bào)文字段的位置順序是可變的。如HTTP 協(xié) 議 中 ，“GET admin.php HTTP/1.1 Host：www.foobar.com User-Agent：Opera/9.20”和“GET index.php HTTP/1.1 User-Agent：Mozillia/5.0 Host：www.baidu.com ”兩條報(bào)文實(shí)際上對(duì)應(yīng)于一種協(xié)議格式，其中“Host”關(guān)鍵詞和“User-Agent”關(guān)鍵詞的先后順序是可以變化的。但是在擴(kuò)展前綴樹(shù)中，兩條報(bào)文對(duì)應(yīng)的協(xié)議關(guān)鍵詞序列不同，將被作為不同的協(xié)議格式。另一方面，一些報(bào)文中的協(xié)議關(guān)鍵詞屬于枚舉類(lèi)型。例如，HTTP請(qǐng)求方法字段可以在“GET”、“POST”、“HEAD”等協(xié)議關(guān)鍵詞組成的集合中枚舉。例如“GET admin.phpHTTP/1.1 Host：www.foobar.com User-Agent：Opera/9.20”和“POST/eapi/pl/count HTTP/1.1 Host：music.163.com User-Agent：Mozilla/5.0”兩條報(bào)文僅僅請(qǐng)求方法不同，實(shí)際隸屬于同一種協(xié)議格式。

表1 關(guān)鍵詞序列集合的示例

因此需要對(duì)得到的擴(kuò)展前綴樹(shù)進(jìn)行合并，本文提出以下合并策略：

（1）若擴(kuò)展前綴樹(shù)中兩條路徑所包含的節(jié)點(diǎn)種類(lèi)完全相同，或某一條路徑包含的協(xié)議關(guān)鍵詞是另一條路徑對(duì)應(yīng)關(guān)鍵詞的子集，并且兩條路徑上相同節(jié)點(diǎn)對(duì)應(yīng)的邊結(jié)構(gòu)相似，則認(rèn)為這兩條路徑對(duì)應(yīng)著位置可變的協(xié)議格式，故將兩者合并為一種格式（保留節(jié)點(diǎn)數(shù)較多的路徑）。例如，圖3擴(kuò)展前綴樹(shù)中路徑1和路徑2、路徑5和路徑6所包含的節(jié)點(diǎn)種類(lèi)完全相同，只是部分節(jié)點(diǎn)位置不同，若兩條路徑中相同節(jié)點(diǎn)間的邊對(duì)應(yīng)的結(jié)構(gòu)相似，則可刪除其中任一條路徑，得到如圖5所示擴(kuò)展前綴樹(shù)。

圖5 第一種格式合并策略的示例

（2）若兩條路徑僅有一個(gè)節(jié)點(diǎn)不同，且與此節(jié)點(diǎn)相關(guān)的邊在兩條路徑上結(jié)構(gòu)相似，則認(rèn)為這兩條路徑中的不同節(jié)點(diǎn)對(duì)應(yīng)著同種協(xié)議格式的枚舉字段的兩種取值，故將兩節(jié)點(diǎn)合并為一個(gè)節(jié)點(diǎn)，兩條路徑合并為一種協(xié)議格式。譬如，采用方法（1）對(duì)圖3擴(kuò)展前綴樹(shù)進(jìn)行合并后，最左邊的路徑和最右邊的路徑中僅有一個(gè)節(jié)點(diǎn)“GET”和“POST”不同，中間兩條路徑中僅有一個(gè)節(jié)點(diǎn)“200 OK”和“404 Not found”不同，則可實(shí)施合并，得到如圖6所示的擴(kuò)展前綴樹(shù)。

圖6 第二種格式合并策略的示例

通過(guò)格式合并得到的最終擴(kuò)展前綴樹(shù)即代表了目標(biāo)協(xié)議的詳細(xì)格式，每一條路徑對(duì)應(yīng)一種協(xié)議格式。這種協(xié)議格式表示方式能夠有效減少冗余，提高協(xié)議格式結(jié)果的實(shí)用性。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)方法

為了對(duì)本文提出的方法進(jìn)行驗(yàn)證，在重用Netzob[13]多序列比對(duì)代碼的基礎(chǔ)上，實(shí)現(xiàn)了原型系統(tǒng)EPT-PFI。實(shí)驗(yàn)中，選取文本協(xié)議HTTP和FTP與二進(jìn)制協(xié)議DNS和NetBIOS作為實(shí)驗(yàn)對(duì)象。同時(shí)選取了現(xiàn)有的協(xié)議逆向工具Netzob、AutoReEngine進(jìn)行對(duì)比試驗(yàn)。本文采用文獻(xiàn)[7]中的準(zhǔn)確率（Correctness）和精簡(jiǎn)率（Conciseness）作為評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估。準(zhǔn)確率表示的是推斷所得格式與實(shí)際格式相符的報(bào)文樣本所占的比例，準(zhǔn)確率越接近1說(shuō)明推斷結(jié)果越接近實(shí)際格式。精簡(jiǎn)率表示的是推斷所得格式的種類(lèi)數(shù)目與實(shí)際樣本中包含的格式種類(lèi)數(shù)的比值。由于是比值，精簡(jiǎn)率沒(méi)有單位。精簡(jiǎn)率越接近1說(shuō)明所得結(jié)果越接近真實(shí)格式。由于協(xié)議格式推斷中?？赡軐⑼N格式報(bào)文劃分為多種格式造成冗余，因此精確率越小說(shuō)明得到的協(xié)議格式種類(lèi)越少，冗余越少。

3.2 結(jié)果分析

本文在配置為2.93 GHz的CPU、4 GB內(nèi)存、操作系統(tǒng)為Windows 7的PC上基于Python語(yǔ)言實(shí)現(xiàn)了論文中提出的方法?？紤]到AutoReEngine關(guān)鍵字識(shí)別方法實(shí)用性強(qiáng)，準(zhǔn)確率高，并且具有代表性[5]，基于SPMF平臺(tái)[14]提供的Apriori算法實(shí)現(xiàn)了AutoReEngine方法，與本文方法進(jìn)行比較。

原型系統(tǒng)EPT-PFI設(shè)定閾值Tfreq為0.6，設(shè)定閾值TPMI為0.8，依據(jù)文獻(xiàn)[15]N-gram分詞中N 取3。表2、表3是分別針對(duì)HTTP協(xié)議所獲得的協(xié)議關(guān)鍵詞（其中“_”表示空格）。分析實(shí)驗(yàn)結(jié)果：（1）從表2可以看出，EPT-PFI得到的協(xié)議關(guān)鍵詞與實(shí)際基本吻合（所得關(guān)鍵詞附帶“ ”或“_”，因?yàn)樗鼈兛偸峭瑫r(shí)出現(xiàn)，所以被合并），但受限于樣本的多樣性，可能將某些可變字段被識(shí)別成了固定字段，如協(xié)議版本字段“HTTP/1.1”，這是由于所捕獲的樣本中基本都是使用的1.1版本的HTTP協(xié)議。而其中的協(xié)議關(guān)鍵詞“HTTP/1.1”兩邊沒(méi)有攜帶空格換行等符號(hào)，是由于HTTP協(xié)議請(qǐng)求報(bào)文和應(yīng)答報(bào)文中都包含版本號(hào)字段。（2）綜合分析表2和表3可知，相對(duì)于AutoReEngine，EPT-PFI提取的協(xié)議關(guān)鍵詞更加豐富，這是由于HTTP協(xié)議首部行中各個(gè)字段的位置是可變的，導(dǎo)致對(duì)應(yīng)的關(guān)鍵詞位置偏移較大。依據(jù)這些關(guān)鍵詞結(jié)合擴(kuò)展前綴樹(shù)描述，能夠獲取首部行中各個(gè)字段的報(bào)文結(jié)構(gòu)，得到更加詳細(xì)的協(xié)議格式信息。

表2 EPT-PFI針對(duì)HTTP協(xié)議提取的協(xié)議關(guān)鍵詞

表3 AutoReEngine針對(duì)HTTP協(xié)議提取的協(xié)議關(guān)鍵詞

如圖7、圖8分別為采用EPT-PFI、Netzob、AutoReEngine對(duì)4種目標(biāo)協(xié)議進(jìn)行實(shí)驗(yàn)所得結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出：（1）EPT-PFI在準(zhǔn)確率上高于Netzob，稍低于AutoReEngine。AutoReEngine準(zhǔn)確率幾乎都達(dá)到了100%，這是因?yàn)锳utoReEngine只保留了位置相對(duì)固定的協(xié)議關(guān)鍵詞，對(duì)于字段位置可變的協(xié)議關(guān)鍵詞都會(huì)被Apriori算法剪枝，如HTTP協(xié)議中的“Host”、“Connection”等字段由于在報(bào)文樣本中出現(xiàn)的位置變化較大而被忽略。因此，AutoReEngine只能夠提取出位置相對(duì)固定的字段關(guān)鍵詞，但無(wú)法獲取詳細(xì)的格式信息。（2）在精簡(jiǎn)率上Netzob明顯高于EPT-PFI和AutoReEngine，說(shuō)明所得協(xié)議格式冗余較多，這是由于Netzob是在多序列比對(duì)的基礎(chǔ)上進(jìn)行報(bào)文聚類(lèi)的，可能將同種格式報(bào)文劃分為多種格式。而EPT-PFI由于采用了基于擴(kuò)展前綴樹(shù)的格式合并，其精簡(jiǎn)率略?xún)?yōu)于AutoReEngine。綜合來(lái)看，Netzob對(duì)于文本協(xié)議效果明顯優(yōu)于二進(jìn)制協(xié)議，而本文方法對(duì)于文本協(xié)議和二進(jìn)制協(xié)議都能取得較好結(jié)果。

圖7 正確率實(shí)驗(yàn)結(jié)果

圖8 精簡(jiǎn)率實(shí)驗(yàn)結(jié)果

通過(guò)上述實(shí)驗(yàn)分析，可以看出原型系統(tǒng)MI-PFE能夠較好地完成文本協(xié)議以及二進(jìn)制協(xié)議的格式推斷工作。

4 總結(jié)

本文提出了一種基于擴(kuò)展前綴樹(shù)的協(xié)議格式推斷方法，通過(guò)N-gram分詞結(jié)合互信息獲取協(xié)議關(guān)鍵詞，依據(jù)協(xié)議關(guān)鍵詞序列構(gòu)建擴(kuò)展前綴樹(shù)，在擴(kuò)展前綴樹(shù)描述的基礎(chǔ)上進(jìn)行分段多序列比對(duì)，最終通過(guò)對(duì)報(bào)文結(jié)構(gòu)的擴(kuò)展前綴樹(shù)進(jìn)行合并得到最終協(xié)議格式。實(shí)驗(yàn)表明，本方法能夠適用于文本協(xié)議和二進(jìn)制協(xié)議，并且與現(xiàn)有的協(xié)議格式推斷工具相比具有一定優(yōu)勢(shì)。

[1]羅建楨，余順爭(zhēng)，蔡君.基于最大似然概率的協(xié)議關(guān)鍵詞長(zhǎng)度確定方法[J].通信學(xué)報(bào)，2016，37（6）：119-128.

[2]Sija B D，Goo Y H，Shim K S，et al.A survey of automatic protocol reverse engineering approaches，methods，and tools on the inputs and outputs view[J].Security&Communication Networks，2018：1-17.

[3]Gascon H，Wressnegger C，Yamaguchi F，et al.Pulsar：Stateful black-box fuzzing of proprietary network protocols[M]//Security and Privacy in Communication Networks.Germany：Spring International Publishing，2015：330-347.

[4]Duchêne J，Guernic C L，Alata E，et al.State of the art of network protocol reverse engineering tools[J].Journal of Computer Virology&Hacking Techniques，2017：1-16.

[5]Narayan J，Shukla S K，Clancy T C.A survey of automatic protocol reverse engineering tools[J].ACM Computing Surveys，2015，48（3）：1-26.

[6]Marshall B.Protocol information project[EB/OL].（2004-10-05）[2017-12-24].http：//www.4tphi.net/～awalters/PI/PI.html.

[7]Cui W，Kannan J，Wang H J.Discoverer：Automatic protocolreverse engineering from network traces[C]//16th USENIX Security Symposium.Boston：USENIX Association，2007：199-212.

[8]Krueger T，Kraemer N.PRISMA：Protocol inspection and state machine analysis[J].Journal of the American Chemical Society，2015，98（25）：8101-8107.

[9]Zhang Zhuo，Zhang Zhibin，Lee P P C，et al.ProWord：An unsupervised approach to protocol feature word extraction[C]//Proceedings IEEE INFOCOM，2014：1393-1401.

[10]Luo J Z，Yu S Z.Position-based automatic reverse engineering of network protocols[J].Journal of Network&Computer Applications，2013，36（3）：1070-1077.

[11]黎敏，余順爭(zhēng).抗噪的未知應(yīng)用層協(xié)議協(xié)議格式最佳分段方法[J].軟件學(xué)報(bào)，2013，24（3）：604-617.

[12]李偉明，張愛(ài)芳，劉建財(cái)，等.網(wǎng)絡(luò)協(xié)議的自動(dòng)化模糊測(cè)試漏洞挖掘方法[J].計(jì)算機(jī)學(xué)報(bào)，2011，34（2）：242-255.

[13]Bossert G，Hiet G.Towards automated protocol reverse engineering using semantic information[C]//ACM Symposium on Information，Computer and Communications Security，2014：51-62.

[14]Fournier-Viger P，Gomariz A，Gueniche T，et al.SPMF：A Java open-source pattern mining library[J].Journal of Machine Learning Research，2014，15（1）：3389-3393.

[15]Wang Y，Zhang Z，Yao D D，et al.Inferring protocol state machine from network traces：A probabilistic approach[C]//International Conference on Applied Cryptography and Network Security.Berlin：Springer-Verlag，2011：1-18.