周振吉，吳禮發(fā)，梁其川，李華波

(解放軍理工大學 指揮自動化學院，江蘇 南京210007)

近年來，僵尸網(wǎng)絡已經(jīng)成為互聯(lián)網(wǎng)穩(wěn)定和安全的最大威脅，國內(nèi)外安全界對此給予了高度關注。僵尸網(wǎng)絡(Botnet)是僵尸主人(BotMaster)通過命令與控制信道(C&C)控制的具有協(xié)同性的惡意計算機群，其中被控制的計算機稱為僵尸主機(Zombie)，僵尸主人用來控制僵尸主機的計算機程序稱為僵尸程序(Bot)。通過這個計算機群，僵尸主人可以實現(xiàn)覆蓋面更廣、強度更高、更難被檢測的惡意行為，例如分布式拒絕攻擊(DDoS)、發(fā)送垃圾郵件(Spam)、竊取敏感信息等。

僵尸網(wǎng)絡具有以下 3個主要特性[1]：(1)“惡意性”，即僵尸主機主要開展DDoS、Spam、下載延伸其他惡意代碼等一系列惡意行為；(2)“可控性”，即僵尸主機通過C&C信道接收僵尸主人的命令后執(zhí)行相應的惡意行為；(3)“協(xié)同性”，即同一個僵尸網(wǎng)絡中的僵尸主機聯(lián)合同步執(zhí)行僵尸主人的命令。

目前，針對最早出現(xiàn)的IRC僵尸網(wǎng)絡的檢測技術取得了比較理想的效果[2]。但是近幾年來，P2P和HTTP類型的僵尸網(wǎng)絡日益盛行，而P2P協(xié)議多樣性和HTTP協(xié)議普及性的特點，使得傳統(tǒng)的僵尸網(wǎng)絡檢測技術面臨巨大的挑戰(zhàn)。本文從終端層面出發(fā)，提出了一種基于主機系統(tǒng)行為和網(wǎng)絡行為的混合式檢測算法，該算法可以有效檢測出IRC、P2P和HTTP類型的僵尸主機。

1相關研究

目前，大多數(shù)僵尸網(wǎng)絡檢測技術主要是從僵尸網(wǎng)絡的網(wǎng)絡流量特性入手。

GU G等人[1，3]提出了基于網(wǎng)絡特征的僵尸網(wǎng)絡檢測方法，實現(xiàn)了原型系統(tǒng)BotSniffer和BotMiner。將被監(jiān)視的網(wǎng)絡內(nèi)部每臺主機的通信行為和網(wǎng)絡惡意活動進行分類，找出具有相似或相關通信和網(wǎng)絡惡意行為的主機。如果被監(jiān)控的內(nèi)部網(wǎng)絡有較多的主機而其中只有少數(shù)幾臺(即使一臺)感染了僵尸程序，這種方法就失去了檢測的意義。

KANG J等人[4]提出了一種多圖累加和(Multi-chart CUSUM)檢測P2P僵尸網(wǎng)絡的方法。認為主機產(chǎn)生的網(wǎng)絡流量是一個復雜的隨機模型，發(fā)生任何異常都會給這個模型帶來明顯的變化。而一臺主機被感染P2P僵尸程序后，會表現(xiàn)出明顯的異常網(wǎng)絡流。作者用多圖累加和模型描述網(wǎng)絡異常，并采用動態(tài)閾值自適應技術提高檢測的精確性。

NOH S等人[5]提出了一種使用多定相流模型(Multi-Phased Flow Model)檢測 P2P僵尸網(wǎng)絡的方法，對P2P僵尸程序與其他節(jié)點通信的多種流量特征進行了分析，然后用相似度進行判斷和檢測。該方法充分利用了P2P僵尸網(wǎng)絡的網(wǎng)絡流異常實施檢測，但是對其他類型僵尸網(wǎng)絡檢測效果不好，專用性太強。

WANG B等人[6]利用P2P僵尸網(wǎng)絡控制流的穩(wěn)定性對僵尸主機進行檢測。他們從P2P僵尸網(wǎng)絡的控制流中選取一個變量，該變量在整個時間段的值都穩(wěn)定在某一個水平，而且上下波動的幅度不大。這種方法的誤報率和漏報率比較高。

除了僵尸網(wǎng)絡的網(wǎng)絡行為特性外，LIU L等人[7]從僵尸程序執(zhí)行特征出發(fā)，提出了一個檢測原型系統(tǒng)BotTracer。由于沒有考慮僵尸程序的網(wǎng)絡控制流特性，誤報率比較大。而HOLZ T等人[8]采用蜜網(wǎng)蜜罐技術，但是這類方法依賴于蜜網(wǎng)和蜜罐的分布，無法有效地檢測出全部活躍的僵尸網(wǎng)絡。

2算法設計

通過分析大量僵尸程序樣本與綜合現(xiàn)有文獻[9-11]得知：僵尸程序在系統(tǒng)行為和網(wǎng)絡行為方面與正常程序都有比較明顯的區(qū)別，而這些區(qū)別可以作為僵尸程序檢測的依據(jù)。

僵尸程序為了自啟動和執(zhí)行惡意行為（包括鍵盤記錄、密碼盜取、網(wǎng)絡嗅探、私密后門安裝、間諜軟件和rootkit等），必須調(diào)用特定的系統(tǒng)函數(shù)。例如網(wǎng)絡下載命令會從終端向外發(fā)起連接，向目標請求數(shù)據(jù)，并且在本地終端上面創(chuàng)建新文件。所有這些動作(網(wǎng)絡連接、發(fā)送、接收、文件創(chuàng)建)都通過調(diào)用系統(tǒng)函數(shù)來實現(xiàn)，而諸如下載地址這樣的控制信息是從網(wǎng)絡中接收到的。正常的網(wǎng)絡應用程序雖然也接收網(wǎng)絡數(shù)據(jù)，但是一般不會從接收到的數(shù)據(jù)中提取參數(shù)來調(diào)用這些特殊的系統(tǒng)函數(shù)[12-13]。因此通過監(jiān)控特定函數(shù)調(diào)用的參數(shù)來源，就可以判定出僵尸主機在終端系統(tǒng)上的惡意行為。

僵尸主機的網(wǎng)絡流量按照用途可以分成兩類：(1)行為流，指與僵尸主機惡意網(wǎng)絡行為相關的流量(如DDoS、Spam、掃描(Scan)等產(chǎn)生的流量)；(2)控制流，指與獲得僵尸主人命令、維持C&C信道等相關的流量。通過研究發(fā)現(xiàn)，與C&C信道建立連接后，僵尸主機為了保持連接的活躍，一般會周期性地發(fā)送特定的報文，這中間沒有用戶的干預，因而控制流表現(xiàn)出一定的穩(wěn)定性，而正常的網(wǎng)絡應用程序運行時，由于存在用戶干預，一般不會表現(xiàn)出這樣的穩(wěn)定性，因此控制流的穩(wěn)定性可以作為僵尸網(wǎng)絡的一個重要判斷依據(jù)。

本文在綜合考慮僵尸主機的系統(tǒng)行為和網(wǎng)絡行為的基礎上，提出了一種混合式僵尸主機檢測算法。僵尸主機檢測算法監(jiān)控有網(wǎng)絡通信行為的進程，并判斷其是否為僵尸進程，只要存在僵尸進程，則該終端為僵尸主機。僵尸進程檢測算法主要結合程序自啟動、控制流的穩(wěn)定性、系統(tǒng)惡意行為和網(wǎng)絡惡意行為4個指標來判定。僵尸進程檢測算法如下所示：

2.1系統(tǒng)行為監(jiān)控算法設計

根據(jù)上面的分析，本節(jié)給出系統(tǒng)行為監(jiān)控算法，算法中BotBehavior變量記錄惡意行為數(shù)，X0是根據(jù)實踐預定義的閾值。惡意行為累計達到一定的閾值時，則標記為系統(tǒng)惡意特征。系統(tǒng)行為監(jiān)控算法如下所示：

2.2網(wǎng)絡行為監(jiān)控算法設計

控制流的穩(wěn)定性是判定僵尸網(wǎng)絡的一個重要依據(jù)?；趨⒖嘉墨I[6]中提出的穩(wěn)定性思想，本節(jié)設計了一個改進的流量穩(wěn)定性衡量方法。

2.2.1穩(wěn)定性的衡量

在一個時間段E內(nèi)，所有的 m個流(flow)組成一個流量 C。 定義流量 C={flowj}，j=1，2，…，m，其中 flowj表示單個流。為了檢測穩(wěn)定性，需要選擇一個合適的隨機變量。在實驗中，選擇最簡單的分組平均字節(jié)數(shù)abp(the average number of bytes per packet)作為隨機變量。分組平均字節(jié)數(shù)的計算：一個flowj的總字節(jié)數(shù)除以總分組數(shù)。對于一個流量C，可以計算出abp在時間段E中任何子集上的離散樣本分布。假設對于相鄰的時間間隔T1和T2，abp的值分別為P1和P2，定義兩者之間的距離函數(shù) S(P1，P2)。

2.2.2穩(wěn)定性檢測算法

本節(jié)給出一個在時間段E中通信流量abp分布的穩(wěn)定性檢測算法。在時間段E的流量C中使用了兩個滑動窗口，一個為基準窗口 Wb，另一個為檢測窗口Wd，兩個窗口具有相同的大小。滑動單元用Tu表示，而且兩個窗口的大小是滑動單元的整數(shù)倍。Pb和Pd的含義也和上面提出的距離檢測算法相同。在這個算法中引入?yún)?shù)δ，表示兩個abp分布的相似度，δ越小，它們越相似，反之亦然。在檢測過程中，δ也代表了檢測標準的嚴格程度，δ越小，系統(tǒng)的檢測水平越高。δ根據(jù)前面距離檢測的結果選定，如果 S(Pb，Pd)>δ，即表示通信流中出現(xiàn)了異常，不具有穩(wěn)定性。如果當前的 S(Pb，Pd)≤δ，向前滑動檢測窗口Wd一步且維持基準窗口Wb的位置不變。一旦距離 S(Pb，Pd)>δ，即給出一個流改變的報告，然后把基準窗口移動到流改變的時間點，檢測窗口仍然比基準窗口晚一個滑動單元。穩(wěn)定性檢測算法的輸入是一個通信流量C，輸出為C中流改變的數(shù)量。穩(wěn)定性檢測算法如下所示：

3算法評估

以提出的混合式僵尸主機檢測算法為基礎，設計并實現(xiàn)了一個檢測原型系統(tǒng)——BotScout。BotScout運行在Windows操作系統(tǒng)上，主要由函數(shù)調(diào)用監(jiān)控模塊、系統(tǒng)行為監(jiān)控模塊、污染傳播監(jiān)控模塊和網(wǎng)絡行為監(jiān)控模塊組成，總體架構如圖1所示。

系統(tǒng)函數(shù)對監(jiān)控模塊的調(diào)用基于Microsoft Detours 2.1 Express設計，根據(jù)監(jiān)控的功能，系統(tǒng)把攔截的Win32API函數(shù)分為系統(tǒng)行為函數(shù)、污染傳播函數(shù)和網(wǎng)絡行為函數(shù)三大類。

(1)系統(tǒng)行為監(jiān)控模塊。僵尸程序經(jīng)常把自己注入到其他進程中以躲避殺毒軟件和防火墻的攔截，因此如果某個進程注入代碼到其他的進程，則監(jiān)控被注入進程的行為。僵尸程序為了實現(xiàn)自啟動必須修改特定的注冊表項或者一些特定文件，而竊取系統(tǒng)的敏感信息也是通過訪問特定的文件、注冊表、鍵盤消息實現(xiàn)，監(jiān)控這些函數(shù)的調(diào)用就可以發(fā)現(xiàn)此類惡意行為。

(2)污染傳播監(jiān)控模塊。為檢測僵尸程序“可控性”，算法對接收到的網(wǎng)絡數(shù)據(jù)進行監(jiān)控。網(wǎng)絡數(shù)據(jù)監(jiān)控發(fā)生在網(wǎng)絡接收時，這些接收到的數(shù)據(jù)稱為臟數(shù)據(jù)，算法持續(xù)跟蹤臟數(shù)據(jù)：當臟數(shù)據(jù)寫入新的內(nèi)存空間時，跟蹤寫入過程，把新的內(nèi)存區(qū)的數(shù)據(jù)標識為臟數(shù)據(jù)，并將其加入到臟數(shù)據(jù)鏈表中。監(jiān)控污染的傳播相當重要，否則會發(fā)生漏報。本模塊主要監(jiān)控內(nèi)存拷貝函數(shù)(如memcpy)，這也是污染傳播的主要途徑。其實，還有一些函數(shù)也會起到污染傳播的作用，例如把某個內(nèi)存內(nèi)容轉化為數(shù)值的函數(shù)（如 atoi）、大小端轉化函數(shù)（如 htonl、htons），還有一些加密、解密、壓縮、解壓縮的函數(shù)等；并且許多內(nèi)存拷貝函數(shù)是inline或者靜態(tài)鏈接在文件中的，在原型系統(tǒng)BotScout中暫不考慮這些函數(shù)，這也是下一步重點工作之一。

(3)網(wǎng)絡行為監(jiān)控模塊。如何有效地分離控制流和行為流是這個模塊的一個難點。僵尸程序啟動后自動與C&C信道建立連接，因此標記起始建立的網(wǎng)絡連接為控制流，并在整個進程檢測周期中對相同協(xié)議的網(wǎng)絡連接進行統(tǒng)計，分析其穩(wěn)定性；僵尸主機本質上是控制流驅動行為流，因此如果一個新的網(wǎng)絡連接建立過程中地址綁定參數(shù)使用了控制流接收到的數(shù)據(jù)，則標記這個新連接為行為流，并對內(nèi)容進行分析，檢查是否符合DDoS、Spam、Scan等惡意行為特征。

3.1測試環(huán)境

由于僵尸網(wǎng)絡范圍非常廣，在實際應用中將整個僵尸網(wǎng)絡中的所有節(jié)點檢測、追蹤出來是不可能的，所以僵尸網(wǎng)絡檢測一般是檢測出網(wǎng)絡中的部分節(jié)點。本文的試驗和檢測環(huán)境為安裝有檢測系統(tǒng)的局域網(wǎng)，檢測對象為局域網(wǎng)內(nèi)部的主機節(jié)點。

BotScout運行在單臺終端系統(tǒng)上，系統(tǒng)測試拓撲如圖2所示。測試主機通過交換機連接在一起，經(jīng)過邊界路由、防火墻與互聯(lián)網(wǎng)通信，所有流量控制在此測試環(huán)境內(nèi)，不會對其他主機產(chǎn)生影響。

共有6臺測試機，分別對應6個樣本，每臺運行120 min。這6臺測試機的運行環(huán)境為Windows XP SP3，配置為2CPU Intel(R)Core(R)2.0 GHz、2 GB 內(nèi)存，100 MB 網(wǎng)卡。

3.2測試結果

本實驗選擇了兩類樣本程序：(1)僵尸程序樣本。實驗選擇了 SDBot、AgoBot和 SpamThru三種不同控制協(xié)議的僵尸程序；(2)正常網(wǎng)絡應用程序樣本。實驗選擇了經(jīng)典的IRC聊天工具mIRC，熱門的網(wǎng)頁瀏覽器Internet Explorer和流行的P2P下載軟件eMule。對實驗數(shù)據(jù)進行橫向測試，結果如表1所示，僵尸程序樣本都能在較短的時間內(nèi)被檢測出來，而正常網(wǎng)絡應用程序在整個運行周期內(nèi)都沒有報警。

表1 實驗檢測結果

在充分研究僵尸主機的行為特點以及僵尸網(wǎng)絡命令與控制信道的特性后，提出了一種綜合系統(tǒng)行為與網(wǎng)絡行為的混合式僵尸主機檢測算法，并對現(xiàn)有的僵尸網(wǎng)絡行為穩(wěn)定性衡量方法進行了改進?；谠撍惴ㄔO計實現(xiàn)了一個僵尸主機檢測原型系統(tǒng)BotScout，并對這個系統(tǒng)的性能進行了測試。實驗結果驗證了算法的可行性、有效性和準確性。

[1]GU G F，PERDISCI R，ZHANG J J，et al.BotMiner：clustering analysis of network traffic for protocol-and structureindependent botnet detection[C].In Proc.of USENIX Security’08，July 2008.

[2]王威，方濱興，崔翔.基于終端行為特征的 IRC僵尸網(wǎng)絡檢測[J].計算機學報，2009，32(10)：1980-1988.

[3]GU G，ZHANG J，LEE W.BotSniffer：detecting Botnet command and control channels in network traffic[C].In Proc.of the 15th Annual Network and Distributed System Security Symposium(NDSS’08)，2008.

[4]KANG J，ZHANG J，LI Q，et al.Detecting new P2P Botnet with multi-chart CUSUM[C].In 2009 International Conference on Networks Security，Wirelsss Communications and Trusted Computing.2009.

[5]NOH S，OH J，LEE J，et al.Detecting P2P Botnets using a multi-phased flow model[C].In Third International Conference on Digital Society.2009.

[6]WANG B，LI Z，TU H，et al.Measuring Peer-to-Peer Botnets using control flow stability[C].In 2009 International Conference on Availability，Reliability and Security.2009.

[7]LIU L，CHEN S，YAN G，et al.BotTracer：execution-based bot-like malware detection[C].In 11th International Conference on Information Security(ISC 2008).2008.

[8]HOLZ T，STEINER M，DAHL F，et al.Mesaurments and mitigation of Peer-to-Peer-based Botnets：a case study of storm worm[C].In Proc.of USENIX LEET’08，April 2008.

[9]NAZARIO J.Botnet tracking：tools，techniques，and lessons learned[C].In Black Hat，2007.

[10]ZHUGE J W，HAN X H，ZHOU Y L，et al.Research and development of Botnets[J].Journal of Software，2008，19(1)：152-165.

[11]GRIZZARD J B，SHARMA V，NUNNERY C.Peer-to-Peer botnets：overview and case study[C].In Proc.of the 1st Workshop on Hot Topics in Understanding Botnets(HotBots 2007).Boston，2007.

[12]YIN H，SONG D，EGELE M，et al.Panorama：capturing system-wide information flow malware detection and analysis[C].In ACM Conference on Computer and Communication Security(CCS)，2007.

[13]STINSON E，MITCHELL J C.Characterizing bots’ remote control behavior[C].In Lecture Notes in Computer Science，Volume 4579.Springer Berlin/Heidelberg，2007.