如今，網絡攻擊技術和手段持續升級，漏洞利用攻擊、無文件攻擊等各類高級攻擊手段出現，其攻擊手法隱蔽、破壞性強，給單位網絡安全帶來了極大挑戰。
其中，加密流量攻擊是攻防實戰中最常見的手法之一，攻擊者為了竊取數據、控制目標系統，往往采取更加隱蔽的加密通信技術，通過對內容進行協議加密，消除攻擊的明顯特征，使檢測難度呈指數上升。
據深信服千里目安全技術中心2021年的實戰分析，近50%的安全事件由加密流量攻擊引發。如滲透階段采用TLS加密掃描，攻擊階段采用RDP、SSH等加密的暴力破解，再通過webshell獲取權限，最后通過加密隧道外發數據等。
一、AI技術在實戰中被廣泛應用
檢測加密流量而不損害其加密完整性的智能手法逐步被認可，AI技術可以基于大數據統計分析，挖掘數據規律及目標特征，更快地檢測出加密流量威脅，減少所需時間和資源，提高網絡分析的效率及準確性，在實戰中被廣泛使用。
然而，AI技術如沒有得到有效運用，也無法在實戰中檢測到加密的威脅行為。例如無監督學習可以定位未知威脅，但精準度待提升；有監督學習精確度高，卻無法覆蓋未知威脅。
二、如何在實戰中精準識別加密流量攻擊？
深信服安全團隊經過7000+用戶實踐發現，只有將無監督學習和有監督學習智能化結合，才能最大限度提升加密流量攻擊的識別率。
▲深信服NDR在實戰中識別高級威脅行為示例
1. 有監督學習精準識別已知加密流量
有監督機器學習通過將已知、帶標簽的行為數據輸入系統，學習分析數據行為，并根據數據標簽來檢測、識別特定的高級威脅。
深信服NDR（全流量高級威脅檢測系統）應用AI模型，基于有監督機器學習抓取所有上下行流量，提取1000+維度特征，同時增加了模型訓練算法LightGBM學習特征的權重，對已知高級威脅的檢測更為精準。傳統的檢測方式基于一個模型檢測多個場景，不同場景的特征不盡相同，因此誤報率很高。深信服NDR基于AI模型有監督學習進行場景化建模，一個模型對應一個場景，根據場景特征進行針對性檢測，模型檢測精準率能夠達到98%。
2. 無監督學習提前發現未知加密流量
無監督的機器學習覆蓋了聚類、神經網絡等方法，不依賴任何標簽值，通過自主學習，挖掘數據內在特征，實現自動化全面檢測，更合理地利用資源，提升效率。
深信服NDR基于AI模型無監督學習方法，通過聚類學習、特征映射等智能分析技術建立設備加密流量動態行為基線，篩選出異常的、可疑的行為，同時結合行為聚合與關聯分析，檢測出未知威脅的早期跡象，最大程度地實現自動化檢測，可以快速檢測出如下異常，幫助網絡安全團隊主動預防威脅：
異常的網絡設備JA3
異常的訪問時間和訪問頻率
異常的上下行數據包比率
異常的證書簽發機構
……
以常見的“服務器權限獲取手法webshell加密通信”為例，攻擊者通過滲透系統或網絡安裝webshell ，在應用服務器上執行敏感命令、竊取數據、植入病毒，危害極大。webshell具有很強的隱蔽性，傳統的、基于單向數據流的流量檢測方案，無法實時更新數據，難以有效檢測webshell。
深信服NDR基于AI模型無監督學習的孤立森林異常點檢測算法，可以構建特征向量，精準檢測“孤立離群”的webshell訪問行為，具有更高檢出率，更低誤報率。除了webshell加密通信場景外，深信服NDR同樣支持隧道檢測、CS漏洞、加密挖礦、加密反彈shell等威脅檢測，覆蓋多種加密威脅場景。
▲ NDR發現攻擊者發起暴力破解，并上傳免殺的webshell文件，最終實現遠程控制
目前，超7000+用戶依托深信服NDR產品，在常態化攻防實戰中筑牢安全堡壘。除了全面精準的高級威脅檢測，深信服NDR還可以深度聯動EDR、SaaS XDR等，對流量側、端側數據聚合分析，實現分析、檢測、溯源、響應的一站式防護閉環，全力提升企業級用戶的縱深防御能力。
