机器学习在物联网安全中的样本采集原则

hihttps是首款免费的MQTT物联网防火墙，同时也是一款web应用防火墙，既支持传统的WAF的OWASP特征工程检查（如SQL注入、XSS、恶意漏洞扫描、密码暴力破解、CC、DDOS等），也支持机器采集样本无监督学习，自主对抗，重新定义网络安全。今天笔者就从物联网MQTT协议安全的角度，介绍机器学习之样本采集。

一、 究竟什么是MQTT攻击？

MQTT是物联网loT最广泛采用的协议，腾讯百度阿里云都支持，基础协议请百度搜索“物联网防火墙himqtt源码之MQTT协议分析”。在PUBLISH发布和主题订阅SUBSCRIBLE指令中，json是物联网最常用的通信格式，如：

{

"topic": "hihttps/read",

"payload1": {"user=123’ or 1=’1": 888},

"payload2": {"id=456”},

"code": 4200

}

网络安全专家通常认为：MQTT协议攻击很多是有其特殊的特征，SQL注入如user=123' or 1='1、XSS攻击如user=等，这类攻击确实有非常典型的特征。上面payload1认为是一个攻击，那么payload2呢，肯定就无法判断了。

再进一步，如果物联网服务器上根本没有hihttps这个接口，那就是恶意行为，一定要检测出来并阻断。但传统的方法肯定不行了，那么机器学习将是唯一的办法。

二、 机器学习重新定义网络安全

和图形图像的机器学习相比，物联网安全采集样本的成本是最低的，因为只要把软件在服务器上运行即可采集，甚至读取日志文件，就可以拿到大量的样本，而成本几乎是0。

但物联网领域黑客攻击样本太稀缺了，根本无法拿完并且日新月异，从这个角度也可以说无监督或者半监督学习，才是未来物联网安全的发展方向。下面举例：

如果从mqtt服务器上hihttps/read 的接口中"payload2": {"id=456”},，采集到的样本参数大于99.9%都是“?id=数字”这种形态，那么可以认为下面的载荷都视为攻击：

"payload2": {"id=456 or 1='1”}

"payload2": {"id=456 =”}

"payload2": {"id=456&t=123”}

"payload2": {"id=%&”}

后面两条，在传统的waf是不可能检测的，只有机器学习才能准确检测出攻击。所以机器学习的核心是：不是我服务器上的东西，都视为非法攻击，这样有可能阻止未知漏洞和未知攻击。这样，物联网安全的概念和传统的特征工程完全不一样了，机器学习重新定义了网络安全。

三、 样本采集原则

1、足够的随机化，在不同的IP地址之间随机采集。

2、足够多的样本，保证99.99%的正确率，至少需要采集数万份的样本。

3、足够的时间，至少在不同的时间段采集3-7天的样本。

4、尽量是正常流量，样本没有被黑客攻击污染。

5、完整的数据，样本包括全部的MQTT 请求头和body。

所以从日志里面来读取样本数据是有限的，最好用WAF实际部署方式来采集。对于SSL加密的样本采集通常用反向代理方式采集，可以参考hihttps源码https://github.com/qq4108863

四、总结

1、现在对物联网设备攻击都基于逻辑漏洞进行APT攻击，就是高级持续威胁，传统的waf规则很难对付未知漏洞和未知攻击。

2、让机器像人一样学习，具有一定智能自动对抗APT攻击或许是唯一有效途径。但黑客技术本身就是人类最顶尖智力的较量，物联网安全仍然任重而道远。

3、幸好hihttps这类免费的物联网防火墙在机器学习、自主对抗中开了很好一个头，未来物联网安全很可能是特征工程+机器学习共同完成，笔者将在下一篇文章中介绍怎么从MQTT样本中提取特征，自动生成对抗规则，未来物联网安全必然是AI的天下。