ddvv@home:~$

python_mmdt:从0到1--实现简单恶意代码分类器(二)

概述

上篇文章python_mmdt:一种基于敏感哈希生成特征向量的python库(一)我们介绍了一种叫mmdt_hash(mmdt敏感哈希)生成方法,并对其中的概念做了基本介绍。本篇,我们重点谈谈mmdt_hash的分类应用场景。

需求场景

设想这么一个需求场景:有一批文件需要判定是否属于恶意文件,并且需要给出恶意文件所属的家族类型。这个需求该怎么高效处理呢?处理过程又该怎么固化成我们自己的经验呢?当以后面临同样的需求时,能否复用之前的结果呢?

我能想到的方法有以下三种:

  • 方法一:本地下载安装杀毒软件,使用杀毒软件对这批文件进行扫描,查看检测结果。
  • 方法二:将这些文件上传到诸如Virustotal之类的检测平台,查看检测结果。
  • 方法三:随机抽取样本分析,提取yara规则,利用yara规则对剩余文件进行扫描,未扫出的文件继续人工分析,继续提yara规则,如此反复,直到处识别所有文件。

针对以上三种方法,分别讨论其优点和缺点:

  • 方法一:
    • 优点:处理方式简单快捷,误报率极低,处理效率高
    • 缺点:单一杀软漏报率可能较高;在Linux/MacOS上安装、使用杀软不方便;处理过程很难固化为经验;有可能导致文件泄漏(备注:联网使用杀软云查可能导致文件被收集)
  • 方法二:
    • 优点:适用Windows/Linux/MacOS平台;检测误报率、漏报率都极低,结果丰富;处理效率高
    • 缺点:有联网要求,不适用隔离环境;有一定的代码开发工作;文件百分百泄漏
  • 方法三:
    • 优点:处理过程天然可固化为经验;适用任意平台;适用隔离网络;经验可积累,可复用;保证文件私密性
    • 缺点:工作量极大,处理效率极低;人工分析经验要求高

上诉需求场景或许太过特殊化,但是有一定的代表性。针对上述的需求场景,使用python_mmdt工具的分类功能,可以很好的解决上述问题。

使用python_mmdt工具的分类功能,具有以下优点:

  • 处理方式简单、快捷、处理效率高
  • 可打包为可执行文件,附带特征向量集合,跨平台适用Windows/Linux/MacOS
  • 无联网要求,适用隔离网,文件保密性高
  • 处理过程可固化为经验,经验固化方式简单,处理结果方便积累、复用
  • mmdt_hash大小固定,特征向量集合存储占用空间小

另外,mmdt_hash同时支持高性能、分布式计算,对比ssdeep,拥有更广的使用场景。同时,有三个不足需要特别指出:

  • 准确率可能较低(依赖于判定分值的设定)
  • 漏报率可能较高(依赖于判定分值的设定)
  • 部分文件的mmdt_hash值没有意义,不能用作分类规则。

因此,可以在不同的场景使用不同的判定分值,判定分值越高,准确率越高;判定分值越低,漏报率越低。如判定分值设定为1.0,则几乎没有误报;如判定分值设定设定为0.85,则比判定分值设为0.95的漏报率更低。

代码项目地址

  • python_mmdt
  • 版本:0.1.3
  • 特性:实现简单分类器,项目附带基础敏感哈希特征库,可实现恶意样本匹配

命令汇总

使用pip安装(安装过程见上一篇文章)python_mmdt之后,会向系统中添加如下命令:

  • mmdt-hash:计算指定文件的mmdt_hash
  • mmdt-std:计算mmdt_hash的标准差,用于衡量mmdt_hash的好坏
  • mmdt-compare:比较两个文件的相似度
  • mmdt-gen:利用已知样本集,生成基于mmdt_hash的特征向量集合
  • mmdt-filter:对生成的的特征向量集合,进行过滤,移除特征向量
  • mmdt-filter-simple:对生成的特征向量集,进行简单过滤(去重),适用于简单分类器
  • mmdt-copy:拷贝特征向量集合文件或特征向量集合标签文件到工具库目录
  • mmdt-classify:核心功能,对未知样本集进行分类处理,输出分类结果

命令介绍

1. 计算文件的mmdt_hash命令:mmdt-hash

  • 功能:计算单个文件mmdt_hash
  • 输入参数1:文件路径
  • 屏幕输出:mmdt_hash的值
  • 文件输出:无
# ➜ mmdt-hash APT28_1
#   5D58573C:B39A90BCDCB4D491BEC74B207AE5FE39
$ mmdt-hash $file

mmdt_hash值结构如:"index_hash:value_hash"index_hash是4字节敏感哈希索引,value_hash是16字节敏感哈希值,两个哈希值之间使用:冒号隔开。敏感哈希索引用于快速定位相似哈希;敏感哈希值用于计算两个mmdt_hash之间的相似度。

2. 计算mmdt_hash标准差命令:mmdt-std

  • 功能:计算单个mmdt_hash值的标准差
  • 输入参数1:单个mmdt_hash
  • 屏幕输出:mmdt_hash值的标准差
  • 文件输出:无
# ➜ mmdt-std 5D58573C:B39A90BCDCB4D491BEC74B207AE5FE39
#   standard deviation: 45.333946
$ mmdt-std $mmdt_hash_str

mmdt_hash值的标准差,用于衡量生成的mmdt_hash的好坏。从大量统计结果看,当标准差低于10.0左右时,计算生成的mmdt_hash 的有效性太差,不能有效表示原始文件。

3. 计算两个文件相似度命令:mmdt-compare

  • 功能:计算两个文件的相似度
  • 输入参数1:文件1路径
  • 输入参数2:文件2路径
  • 屏幕输出:两个文件的相似度
  • 文件输出:无
# ➜ mmdt-compare APT28_1 APT28_2
#   0.9929302916167373
$ mmdt-compare $file1 $file2

计算两个输入文件的相似度,相似度本质采用欧几里得距离衡量。计算两个mmdt_hash的欧几里得距离,并进行归一化处理,得到相似度。

4. 生成特征向量集合命令:mmdt-gen

  • 功能:核心功能之一,生成基于mmdt_hash的特征向量集合
  • 输入参数1:已知样本集的路径
  • 输入参数2:已知样本集的标签文件路径
  • 屏幕输出:生成特征向量过程信息
  • 文件输出:当前文件夹生成两个文件,mmdt_feature.labelmmdt_feature.data
# ➜ mmdt-gen APT28 apt28.tags
#   ...
#   process: APT28_3, 22
#   process: APT28_4, 23
#   end gen mmdt set.
# ➜ ll mmdt_feature.*
#   -rw-r--r--  1 ddvv  staff   703B  1 16 10:34 mmdt_feature.data
#   -rw-r--r--  1 ddvv  staff   133B  1 16 10:34 mmdt_feature.label
$ mmdt-gen $file_path $file_tag

遍历指定文件目录,计算该目录下所有文件的mmdt_hash,并从标签文件中读取对应标签,生成标签索引,组合到特征向量集合中。输入的标签文件采用文件名,标签csv格式存储,如APT28_1,group_apt28mmdt_feature.label是本特征向量集合的标签文件,用于将标签索引还原为原始名称;mmdt_feature.data是特征向量集合文件。两文件都使用pickle序列化,同时使用zip压缩保存。

5. 特征向量过滤命令:mmdt-filter

  • 功能:对生成的特征向量集合进行通用过滤处理
  • 输入参数1:特征向量集合文件
  • 输入参数2:过滤条件的标准差下限
  • 屏幕输出:过滤特征向量过程信息
  • 文件输出:覆盖输入的特征向量集合文件路径
# ➜ mmdt-filter mmdt_feature.data 10.0
#   start filter mmdt set.
#   old len: 23
#   new len: 21
#   end filter mmdt set.
# ➜ ll mmdt_feature.*
#   -rw-r--r--  1 ddvv  staff   689B  1 16 10:39 mmdt_feature.data
#   -rw-r--r--  1 ddvv  staff   133B  1 16 10:34 mmdt_feature.label
$ mmdt-filter $mmdt_feature_file_name $dlt

特征向量集合的通用过滤方法,计算特征向量集合中mmdt_hash值的标准差,移除标准差小于10.0的mmdt_hash。如前所述,标准差小于10.0的mmdt_hash有效性很低,无法使用。

6. 简单分类器特征向量过滤命令:mmdt-filter-simple

  • 功能:对生成的mmdt_hash特征向量集合进行适配简单分类器(去重)过滤处理
  • 输入参数1:特征向量集合文件
  • 屏幕输出:过滤特征向量过程信息
  • 文件输出:覆盖当前路径的mmdt_feature.data文件
# ➜ mmdt-filter-simple mmdt_feature.data
#   start filter mmdt set.
#   old len: 21
#   new len: 21
#   end filter mmdt set.
# ➜ ll mmdt_feature.*
#   -rw-r--r--  1 ddvv  staff   689B  1 16 10:39 mmdt_feature.data
#   -rw-r--r--  1 ddvv  staff   133B  1 16 10:34 mmdt_feature.label
$ mmdt-filter-simple $mmdt_feature_file_name

简单分类算法的特定过滤方式,移除完全相同的特征向量,并覆盖原始特征向量集合。

7. 特征拷贝命令:mmdt-copy

  • 功能:将特征向量集合文件或特征向量集合标签文件拷贝到工具库目录
  • 输入参数1:特征向量集合文件或特征向量集合标签文件
  • 屏幕输出:无
  • 文件输出:无
# ➜ mmdt-copy mmdt_feature.data
# ➜ mmdt-copy mmdt_feature.label
$ mmdt-filter-simple $mmdt_feature

需要将特征向量集合文件或特征向量集合标签文件拷贝到工具目录,才可正常使用分类功能。

8. 分类器使用命令:mmdt-classify

  • 功能:核心功能之一,对指定文件或文件夹进行分类识别
  • 输入参数1:目标文件路径或文件夹路径
  • 输入参数2:相似度判定分值下限,可选,默认0.95
  • 输入参数3:分类器类型,可选,默认1,简单分类器
  • 屏幕输出:分类过程结果输出
  • 文件输出:无

重要说明

需要将生成的mmdt_feature.labelmmdt_feature.data文件拷贝到python_mmdt的安装路径,命令如下:

  • 拷贝特征向量集文件:mmdt-copy mmdt_feature.data
  • 拷贝特征向量集对应标签文件:mmdt-copy mmdt_feature.label

特别注意:

  • mmdt_feature.labelmmdt_feature.data文件名不可更改
  • 当缺失mmdt_feature.data文件时,分类器默认使用python_mmdt库提供的特征向量集
  • 当缺失mmdt_feature.label文件时,分类器仍可以工作,但判定结果仅输出是否匹配文件,而不会给出对应的判定标签
# ➜ mmdt-classify . 0.8 1
#   ...
#   ./APT28_5,1.000000,group_apt28,39.660364
#   ./APT28_2,0.992930,group_apt28,44.917703
#   ./APT28_23,1.000000,group_apt28,39.682770
#   ...
# 注意:缺失mmdt_feature.label文件时,只会输出是否匹配,而不会输出对应标签,match_0表示匹配0号标签索引
# ➜ mmdt-classify . 0.8 1
#   ...
#   ./APT28_5,1.000000,matched_0,39.660364
#   ./APT28_2,0.992930,matched_0,44.917703
#   ./APT28_23,1.000000,matched_0,39.682770
#   ...
$ mmdt-classify $file_or_path $sim_value $classify_type

python_mmdt的核心功能,实现未知样本的快速识别。mmdt-classify . 0.8 1表示对当前目录下的文件进行分类,分类判定分值设定为0.8,分类算法采用1(简单分类算法)。

总结

本篇主要介绍了python_mmdt的一种简单分类应用。在实际使用简单分类器时,python_mmdt会将特征向量集合转成简单分类特征库,通过查找相等的索引哈希,计算对应mmdt_hash的相似度,满足判定分值,则返回判定结果。利用python_mmdt,可以实现自动特征的提取、积累、复用,通过不断的积累,期待实现“见过即可查”的目标。

另外,目前python_mmdt直接对压缩包类型的文件计算敏感哈希,其mmdt_hash值常常不可用,后续会尝试对压缩包进行解压缩,计算实际文件。当前使用哈希索引匹配的的方式,虽然效率高,但是漏报率也高。后续会尝试使用KNN算法对特征向量集合进行计算,提高基检出率。

如果恶意代码分析人员,可以共建一个mmdt_hash特征向量库,一定可以大大方便恶意代码分析这件事。设想一下,每个特征向量20个字节,1亿条特征向量的集合大小在2G左右,1亿条特征向量可以检出的恶意代码数量可能达到上百亿,上千亿,提供的恶意代码检测覆盖面就广阔的多了。更重要的,共享mmdt_hash值不会导致原始文件信息的泄漏,同时又能提供非常有价值的信息。