论文阅读 基于机器学习文本处理的PHP和JSP Web shell检测系统（上海交大）_php word2vec

原文链接：https://ieeexplore.ieee.org/document/9343056

摘要

特征提取方法：对PHP文件使用AST，对JSP文件使用字节码。
成果：一种基于TF-IDF和Word2vec两种文本处理方法的检测模型。
评价：结合了不同种类的机器学习算法进行综合控制实验，从中选择了性能最好的检测机器学习模型XGBoost，对PHP web shell的检测准确率为98.82%，对JSP web shell的检测准确率为98.51%。

引言

webshell是用Web脚本语言编写的，包括PHP、ASP、JSP 等。本文使用AST进行webshell检测。与静态检测、动态检测、操作码检测都不同：①由于定向混淆、加密等绕过手段，使得依赖静态文本特征检测的简单方法的检出率下降。本文的AST方法直接分析了运行过程，可以有效地避免这类问题；②动态监测方法的部署成本过高，本文的AST方法消耗的系统资源较少，但缺乏实时检测能力；③在使用操作码时，只考虑一行一行操作码指令，忽略与操作码对应的参数，会丢失一些相关联的有效信息。本文的AST方法是一种具有强相关性的结构化文本模型，更适合于二分类模型。

系统设计

检测系统包括文件分类、特征提取和机器学习模型三个主要部分。系统是用Python编写的，可以检测单个文件，也支持批处理文件检测，具有80Mb/1000s的高测试速度。
首先，本系统的输入是页面文件的源代码。当系统接收到文件后，它将检查文件的类别。有些攻击者通过更改文件后缀来绕过文件上传的类型检查规则，例如将PHP文件的后缀改为’ PHP .txt ‘或’ PHP .jpg '。我们使用Python脚本检查代码文件名。
其次，对PHP文件提取AST，使用Word2vec算法获取对应的词向量，并输入到机器学习模型中。 分类器将确定样本是否为web shell。对于JSP文件，我们使用tomcat服务器将文件转换为servlet类的Java文件，然后编译读取类文件中的字节码。 在此之后，操作步骤类似于处理PHP文件的方法。
最后，通过机器学习算法模型的判断，检测系统将输出0或1。0表示该文件为普通文件，1表示该文件为web shell文件。