web安全之机器学习入门——3.1 KNN/k近邻

目录

sklearn.neighbors.NearestNeighbors

参数/方法

基础用法

用于监督学习

检测异常操作(一)

检测异常操作(二)

检测rootkit

检测webshell

---

sklearn.neighbors.NearestNeighbors

参数：

方法：

---

基础用法

print(__doc__)

from sklearn.neighbors import NearestNeighbors
import numpy as np

X = np.array([[-, -], [-, -], [-, -], [, ], [, ], [, ]])
nbrs = NearestNeighbors(n_neighbors=, algorithm='ball_tree').fit(X)

distances, indices = nbrs.kneighbors(X) #indeices邻节点，distances邻节点距离

print('邻节点距离\n',distances)
print('邻节点\n', indices)

print(nbrs.kneighbors_graph(X).toarray())

邻节点距离
 [[ .          .        ]
 [ .          .        ]
 [ .          1.41421356]
 [ .          .        ]
 [ .          .        ]
 [ .          1.41421356]]
邻节点
 [[ ]
 [ ]
 [ ]
 [ ]
 [ ]
 [ ]]
可视化结果
 [[ .  .  .  .  .  .]
 [ .  .  .  .  .  .]
 [ .  .  .  .  .  .]
 [ .  .  .  .  .  .]
 [ .  .  .  .  .  .]
 [ .  .  .  .  .  .]]

---

用于监督学习

sklearn.neighbors.KNeighborsClassifier

使用很简单，三步：1）创建KNeighborsClassifier对象，2）调用fit函数，3）调用predict/predict_proba函数进行预测。

#predict返回概率最大的预测值
#predict_proba返回的是一个n行k列的数组， 第i行j列上的数值是模型预测第i个预测样本为某个标签的概率，并且每一行的概率和为1。

from sklearn.neighbors import KNeighborsClassifier

X = [[0], [1], [2], [3], [4], [5], [6], [7], [8]]#9个
y = [0, 0, 0, 1, 1, 1, 2, 2, 2]#数量应与X一样，为9个
#比如 x是1*N*1， Y是1 * N

neigh = KNeighborsClassifier(n_neighbors=3)
neigh.fit(X, y)
#fit函数 使用X作为训练数据，y作为目标值（类似于标签）来拟合模型。
print(neigh.predict([[1.1]]))
##这里预测使用的值是1.1
##得到的结果是 【0】
#表明1.1应该在0这个类里面

print(neigh.predict_proba([[1.1]]))

print(neigh.predict([[1.6]]))
print(neigh.predict([[5.2]]))
print(neigh.predict([[5.8]]))
print(neigh.predict([[6.2]]))

[0]
[[ 1. 0. 0.]]
[0]
[1]
[2]
[2]

再比如

from sklearn.neighbors import KNeighborsClassifier

X = [[,], [,], [,], [,], [,], [,], [,], [,], [,]]
y = [, , , , , , , , ]

neigh = KNeighborsClassifier(n_neighbors=)
neigh.fit(X, y)
#fit函数 使用X作为训练数据，y作为目标值（类似于标签）来拟合模型。
print(neigh.predict([[1.1,2.2]]))
##这里预测使用的值是[1.1,2.2]
##得到的结果是 【】
#表明1.1应该在0这个类里面

print(neigh.predict([[9.1,7.2]]))
##这里预测使用的值是[9.1,7.2]
##得到的结果是 【】
#表明9. .2应该在2这个类里面

[]
[]

---

检测异常操作（一）

# -*- coding:utf- -*-
import numpy as np

import nltk
from nltk.probability import FreqDist
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report
from sklearn import metrics

#测试样本数
N=

"""
数据收集和数据清洗（清洗换行符\n）
从scholaon数据集的user3文件导入信息；一百条命令组成一个列表x[]，最终组成二维列表cmd_set[[]];
返回二维列表，最频繁50条命令，和最不频繁50条命令
"""
def load_user_cmd(filename):
    cmd_set=[]
    dist_max=[]
    dist_min=[]
    dist=[]
    with open(filename) as f:
        i=
        x=[]
        for line in f:
            line=line.strip('\n')
            x.append(line)
            dist.append(line)
            i+=
            if i == :
                cmd_set.append(x)
                x=[]
                i=

    fdist = list(FreqDist(dist).keys())
    dist_max=set(fdist[:])
    dist_min = set(fdist[-:])
    return cmd_set,dist_max,dist_min

"""
特征化
将load_user_cmd函数的输出作为输入；
以100个命令为统计单元，作为一个操作序列，去重后的操作命令个数作为特征；（函数FreqDist会统计每个单词的频度，重新整合成一个+1维度的新的列表）
KNN只能以标量作为输入参数，所以需要将f2和f3表量化，最简单的方式就是和统计的最频繁使用的前50个命令以及最不频繁使用的前50个命令计算重合程度。
返回一个150×3的列表；3里的0:不重复单词的个数，1:最频繁单词重合程度<=min{10,50},2最不频繁单词重合程度<=min{10,50}
"""
def get_user_cmd_feature(user_cmd_set,dist_max,dist_min):
    user_cmd_feature=[]
    for cmd_block in user_cmd_set:
        f1=len(set(cmd_block))
        fdist = list(FreqDist(cmd_block).keys())
        f2=fdist[:]
        f3=fdist[-:]
        f2 = len(set(f2) & set(dist_max))
        f3=len(set(f3) & set(dist_min))
        x=[f1,f2,f3]
        user_cmd_feature.append(x)
    return user_cmd_feature

"""
训练模型
导入标识文件，100×50，正常命令为0，异常命令为1；
从标识文件中加载针对操作序列正确/异常的标识
返回一个容量为150的list 0/1数值，（只要这一行有1）
"""
def get_label(filename,index=):
    x=[]
    with open(filename) as f:
        for line in f:
            line=line.strip('\n')#清空每行的\n
            x.append(int(line.split()[index]))#每行第一个0/1，这行数据是正/异常数据标识位
    return x

if __name__ == '__main__':
    user_cmd_set,user_cmd_dist_max,user_cmd_dist_min=load_user_cmd("../data/MasqueradeDat/User3")
    user_cmd_feature=get_user_cmd_feature(user_cmd_set,user_cmd_dist_max,user_cmd_dist_min)
    labels=get_label("../data/MasqueradeDat/label.txt",)
    y=[]*+labels#y长度150，labels长度100

    x_train=user_cmd_feature[:N]
    y_train=y[:N]

    x_test=user_cmd_feature[N:]
    y_test=y[N:]

    neigh = KNeighborsClassifier(n_neighbors=)
    neigh.fit(x_train, y_train)
    y_predict=neigh.predict(x_test)

    score=np.mean(y_test==y_predict)*

    #print(y)
    #print(y_train)
    print('y_test\n',y_test)
    print('y_predict\n',y_predict)
    print('score\n',score)

    print('classification_report(y_test, y_predict)\n',classification_report(y_test, y_predict))

    print('metrics.confusion_matrix(y_test, y_predict)\n',metrics.confusion_matrix(y_test, y_predict))

y_test
 [, , , , , , , , , , , , , , , , , , , , , , , , , , , , , ]
y_predict
 [                             ]
score
 100.0
classification_report(y_test, y_predict)
              precision    recall  f1-score   support

                 1.00      1.00      1.00        

avg / total       1.00      1.00      1.00        

metrics.confusion_matrix(y_test, y_predict)
 [[]]

---

检测异常操作（二）

上例只比较了最频繁和最不频繁的操作命令，这次我们全量比较。

# -*- coding:utf- -*-

import sys
import urllib
#import urlparse
import re
#from hmmlearn import hmm
import numpy as np
from sklearn.externals import joblib
#import HTMLParser
import nltk
import csv
import matplotlib.pyplot as plt
from nltk.probability import FreqDist
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.neighbors import KNeighborsClassifier
from sklearn import cross_validation

#测试样本数
N=

"""
数据搜集和数据清洗(清洗换行符)
返回cmd_list:150×100的二维列表和fdist:去重的字符串集
"""
def load_user_cmd_new(filename):
    cmd_list=[]
    dist=[]
    with open(filename) as f:
        i=
        x=[]
        for line in f:
            line=line.strip('\n')
            x.append(line)
            dist.append(line)
            i+=
            if i == :
                cmd_list.append(x)
                x=[]
                i=

    fdist = FreqDist(dist).keys()
    return cmd_list,fdist

"""
特征化
使用词集将操作命令向量化
"""
def get_user_cmd_feature_new(user_cmd_list,dist):
    user_cmd_feature=[]

    for cmd_list in user_cmd_list:
        v=[]*len(dist)
        for i in range(,len(dist)):
            if list(dist)[i] in list(cmd_list):
                v[i]+=
        user_cmd_feature.append(v)
    return user_cmd_feature

def get_label(filename,index=):
    x=[]
    with open(filename) as f:
        for line in f:
            line=line.strip('\n')
            x.append( int(line.split()[index]))
    return x

if __name__ == '__main__':
    """
    训练模型
    """
    user_cmd_list,dist=load_user_cmd_new("../data/MasqueradeDat/User3")
    print( "len(dist):%d" % len(dist))
    print( "dist:%s" % dist)
    user_cmd_feature=get_user_cmd_feature_new(user_cmd_list,dist)
    labels=get_label("../data/MasqueradeDat/label.txt",)
    y=[]*+labels

    x_train=user_cmd_feature[:N]
    y_train=y[:N]

    x_test=user_cmd_feature[N:]
    y_test=y[N:]

    neigh = KNeighborsClassifier(n_neighbors=)
    neigh.fit(x_train, y_train)
    y_predict=neigh.predict(x_test)

    """
    交叉验证效果，10次随机取样和验证
    """
    print(cross_validation.cross_val_score(neigh,user_cmd_feature, y, n_jobs=-,cv=))

len(dist):
dist:dict_keys(['Xsession', 'sed', 'grep', 'wc', 'date', 'uname', 'true', 'xsetroot', 'cpp', 'sh', 'xrdb', 'cat', 'stty', 'basename', 'ksh', 'tail', 'xmodmap', 'ls', 'hostname', 'netstat', 'netscape', 'xterm', 'sccs', 'get', 'diff', 'more', '.java_wr', 'expr', 'dirname', 'egrep', 'java', 'make', 'mailx', 'pq', 'bdiff', 'delta', 'ex', 'rm', 'javac', 'mkdir', 'man', 'od', 'ln', 'cfe', 'ugen', 'as1', 'driver', 'ld_', 'readacct', 'touch', 'bc', 'sendmail', 'seecalls', 'FvwmPage', 'GoodStuf', 'fvwm', 'xdm', 'chmod', 'id', 'nawk', 'getopt', 'lp', 'find', 'FIFO', 'generic', 'pr', 'postprin', 'file', 'post', 'awk', 'getpgrp', 'LOCK', 'gethost', 'download', 'tcpostio', 'UNLOCK', 'rmdir', 'tcppost', 'cpio', 'xargs', 'gzip', 'jar', 'nslookup', 'rlogin', 'xhost', 'admin', 'runnit', 'gs', 'ppost', 'hpost', 'tracerou', 'unpack', 'col', 'telnet', 'ptelnet', 'tset', 'logname', 'matlab', 'launchef', 'MediaMai', 'a.out', 'dbx', 'dbxpcs', 'mimencod', 'sim301bS', 'sim301bK', 'ps'])
[ .          .          0.93333333  .          .          .          .
  .          0.93333333  0.92857143]

---

检测Rootkit（三）

Rootkit是一种特殊的恶意软件，它的功能是在安装目标上隐藏自身及指定的文件,进程和网络链接等信息，比较常见的是Rootkit，一般都和木马,后门等其他恶意程序结合使用。

基于KDD 99的样本数据，尝试使用KNN算法识别基于telnet连接的Rootkit行为，检测流程如下所示。

# -*- coding:utf- -*-

from sklearn import cross_validation
from sklearn.neighbors import KNeighborsClassifier

"""
数据集已经完成了大部分的清洗工作；
41个特征描述
加载KDD 99数据集中的数据
"""
def load_kdd99(filename):
    x=[]
    with open(filename) as f:
        for line in f:
            line=line.strip('\n')
            line=line.split(',')
            x.append(line)
    return x

"""
特征化
"""
def get_rootkit2andNormal(x):
    v=[]
    w=[]
    y=[]
    for x1 in x:
        if ( x1[] in ['rootkit.','normal.'] ) and ( x1[] == 'telnet' ):
            if x1[] == 'rootkit.':
                y.append()
            else:
                y.append()
            """
            挑选与Rootkit相关的特征作为样本特征
            """
            x1 = x1[:]
            v.append(x1)
    for x1 in v :
        v1=[]
        for x2 in x1:
            v1.append(float(x2))
        w.append(v1)
    return w,y

if __name__ == '__main__':
    v=load_kdd99("../data/kddcup99/corrected")
    x,y=get_rootkit2andNormal(v)
    """
    训练样本
    """
    clf = KNeighborsClassifier(n_neighbors=)
    """
    效果验证
    """
    print(cross_validation.cross_val_score(clf, x, y, n_jobs=-, cv=))

[ 0.9         0.9         .          .          .          0.77777778
  .          .          .          .        ]

---

检测Webshell（四）

使用ADFA-LD数据集中webshell相关数据，ADFA-LD数据集中记录下了系统调用序列(比如A,B,C)，然后使用数字标识每一个系统调用(1,2,3)，这时(1,2,3)就转换成了一个序列向量。

以下是系统调用的顺序抽象成序列向量的过程

# -*- coding:utf- -*-

import re
import os
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn import cross_validation
from sklearn.neighbors import KNeighborsClassifier

def load_one_flle(filename):
    x=[]
    with open(filename) as f:
        line=f.readline()
        line=line.strip('\n')
    return line

#加载ADFA-LD中的正常样本数据
def load_adfa_training_files(rootdir):
    x=[]
    y=[]
    list = os.listdir(rootdir)
    for i in range(, len(list)):
        path = os.path.join(rootdir, list[i])
        if os.path.isfile(path):
            x.append(load_one_flle(path))
            y.append()
    return x,y

#定义遍历目录下文件的函数
def dirlist(path, allfile):
    filelist = os.listdir(path)

    for filename in filelist:
        filepath = os.path.join(path, filename)
        if os.path.isdir(filepath):
            dirlist(filepath, allfile)
        else:
            allfile.append(filepath)
    return allfile

#从攻击数据集中筛选和webshell相关的数据
def load_adfa_webshell_files(rootdir):
    x=[]
    y=[]
    allfile=dirlist(rootdir,[])
    for file in allfile:
        #此处小心，前部分分隔符为/，web_shell_x后为\
        if re.match(r"../data/ADFA-LD/Attack_Data_Master/Web_Shell_\d+\\UAD-W*",file):
            x.append(load_one_flle(file))
            y.append()
    return x,y

if __name__ == '__main__':

    x1,y1=load_adfa_training_files("../data/ADFA-LD/Training_Data_Master/")
    x2,y2=load_adfa_webshell_files("../data/ADFA-LD/Attack_Data_Master/")

    x=x1+x2
    y=y1+y2
    #print(x)
    vectorizer = CountVectorizer(min_df=)
    x=vectorizer.fit_transform(x)
    x=x.toarray()
    #print(y)
    clf = KNeighborsClassifier(n_neighbors=)
    scores=cross_validation.cross_val_score(clf, x, y, n_jobs=-, cv=)
    print(scores)
    print(np.mean(scores))

[ 0.95833333  0.94791667  0.97916667  0.96842105  0.96842105  0.84210526
  0.97894737  0.98947368  0.9787234   0.9787234 ]
0.959023189623

参考：

web安全之机器学习入门——2.机器学习概述

scikit-learn K近邻法类库使用小结

predict predict_proba区别的小例子

基于用户行为动态变化的内部威胁检测方法