加密一直都是保護用戶通訊隱私的重要特性，可如果惡意程序在傳播過程中也加密的話，對這樣的流量做攔截感覺就麻煩了很多。談到加密，TLS(Transport Layer Security Protocol，傳輸層安全協議)就是當前使用非常廣泛的協議：國外部分研究機構的數據顯示，已有至多60%的網絡流量采用TLS，當然也包括一些惡意程序(雖然大約只有10%)。

[[168490]]

來自思科的一組研究人員最近研究出一種方法，不需要對這類流量進行解密，就能偵測到采用TLS連接的惡意程序，是不是感覺有點小神奇?

TLS協議

這是怎么做到的?

思科已經公開了這份研究報告，題為《辨認使用TLS的惡意程序(無需解密)》(英文其實表達得更為準確，名為”Deciphering Malware’s use of TLS”)。我們比較籠統地歸結原理，其實是TLS協議本身引入了一系列復雜的數據參數特性——這些特性是可以進行觀測檢查的，這樣自然就能針對通訊雙方做出一些合理的推斷。

這份報告中有提到：“通過這些特性，我們可以檢測和理解惡意程序通訊方式，與此同時TLS本身的加密屬性也能提供良性的隱私保護。”聽起來似乎還是比較理想的新技術——在不需要對流量進行解密的情況下就達成流量安全與否的判斷，的確具備很大意義。

為此，思科大約分析了18個惡意程序家族的數千個樣本，并在企業網絡中數百萬加密數據流中，分析數萬次惡意連接。整個過程中，網絡設備的確不對用戶數據做處理，僅是采用DPI(深度包檢測技術)來識別clientHello和serverHello握手信息，還有識別連接的TLS版本。

“在這篇報告中，我們主要針對433端口的TLS加密數據流，盡可能公正地對比企業一般的TLS流量和惡意TLS流量。為了要確認數據流是否為TLS，我們需要用到DPI，以及基于TLS版本的定制signature，還有clientHello和serverHello的信息類型。”

“最終，我們在203個端口之上發現了229364個TLS流，其中443端口是目前惡意TLS流量使用最普遍的端口。盡管惡意程序端口使用情況多種多樣，但這樣的情況并不多見。”

不僅如此，據說他們還能就這些惡意流量，基于流量特性將之分類到不同的惡意程序家族中。“我們***還要展示，在僅有這些網絡數據的情況下，進行惡意程序家族歸類。每個惡意程序家族都有其獨特的標簽，那么這個問題也就轉化為不同類別的分類問題。”

“即便使用相同TLS參數，我們依然就夠辨認和比較準確地進行分類，因為其流量模式相較其他流量的特性，還是存在區別的。我們甚至還能識別惡意程序更為細致的家族分類，當然僅通過網絡數據就看不出來了。”

實際上，研究人員自己寫了一款軟件工具，從實時流量或者是抓取到的數據包文件中，將所有的數據輸出為比較方便的JSON格式，提取出前面所說的數據特性。包括流量元數據(進出的字節，進出的包，網絡端口號，持續時間)、包長度與到達間隔時間順序(Sequence of Packet Lengths and Times)、字節分布(byte distribution)、TLS頭信息。

其實我們談了這么多，還是很抽象，整個過程還是有些小復雜的。有興趣的同學可以點擊這里下載思科提供的完整報告。

分析結果準確性還不錯

思科自己認為，分析結果還是比較理想的，而且整個過程中還融合了其機器學習機制(他們自己稱為機器學習classifiers，應該就是指對企業正常TLS流量與惡意流量進行分類的機制，甚至對惡意程序家族做分類)，正好做這一機制的測試。據說，針對惡意程序家族歸類，其準確性達到了90.3%。

“在針對單獨、加密流量的識別中，我們在惡意程序家族歸類的問題上，能夠達到90.3%的準確率。在5分鐘窗口全部加密流量分析中，我們的準確率為93.2%(make use of all encrypted flows within a 5-minute window)。”