1. 什么是Fuzz测试？
漏洞挖掘有三种方法：白盒代码审计、灰盒逆向工程、黑盒测试。其中黑盒的Fuzz测试是效率最高的一种，能够快速验证大量潜在的安全威胁。
Fuzz测试，也叫做“模糊测试”，是一种挖掘软件安全漏洞、检测软件健壮性的黑盒测试，它通过向软件输入非法的字段，观测被测试软件是否异常而实现。Fuzz测试的概念非常容易理解，如果我们构造非法的报文并且通过测试工具打入被测设备，那么这就是一个Fuzz测试的测试例执行，大多数测试工程师肯定都尝试过这种测试手段。
对于网络协议漏洞挖掘来说，Fuzz测试也就意味着打入各种异常报文，然后观察设备是否有异常。
2. 针对FTP sever的Fuzz测试
在本节我们将设计一个简单的针对FTP server的Fuzz测试脚本。从原理上设计Fuzz测试用例是比较简单的，无非是阅读RFC，根据报文设计异常字段，但在实际实施过程中将会遇到以下几个问题。
m 网络协议是有状态的，最常见的一种情况就是，我们需要在协议状态机进行到某种状态的时候发送某种报文，比如FTP协议，如果我们想对put命令的参数进行变异、发送异常报文，则我们需要先通过FTP认证；因此要想实现协议的fuzz测试，则只能手工编写脚本，现有的工具和测试仪都无法实现这些复杂逻辑。
m 另外如何构造异常，这是一个和经验相关性比较大的问题，需要长期积累，以及对安全漏洞有较深入的研究。
m 如何检测被测设备是否异常，这也是一个非常棘手的问题，比如内存泄露，可能只是泄露几个字节的内存，这时候被测设备外部表现正常。
在本节中介绍的FTP server的Fuzz测试中，仅构造比较简单的异常—--超长的报文；设备异常通过检查FTP连接的状态来判断。被测设备选择MSR36设备和日常工作中常用的3CDaemon FTP server2.0。具体测试步骤分为如下。
- 输入超长的FTP用户名，被测设备应该表现正常；
- 正常登陆FTP后，对于FTP命令“mdelete、cd、mkdir、cwd、mdir、mput、rename”输入超长参数， 被测设备应该表现正常。
根据测试用例设计相应的测试脚本，测试脚本使用python语言编写。脚本主要由三个函数组成。
m get_fuzz_str（）函数，用于生成Fuzz str，即异常报文的关键部分；在本例中用于生成超长的字符串“aaaaaa…”（如图3所示）。
图3 get_fuzz_str代码
m fuzz_FTP_usr（）函数，用于发送超长的用户名，关键代码如图4所示，将超长的字符串4串拼接在一起，作为user的参数发送给服务器。
图4 fuzz_FTP_user（）函数关键代码
m fuzz_FTP_cmd（）函数，用于发送超长的命令，关键代码如图5所示，对每一个命令构造异常的参数，然后发送给服务器。
图5 fuzz_FTP_cmd（）函数关键代码
之后，执行测试用例，设定被测设备为MSR36设备，MSR36设备表现正常，未发现任何问题（如图6所示）。
图6 MSR36测试结果
将被测设备设定为3CDaemon FTP server，测试结果如图7所示，看起来脚本找到了一个安全漏洞；为了验证我们用windbg调试FTP server看一看，如图8所示可以看到3CDaemon FTP server已经被溢出了，EIP寄存器被我们的字符串“aaaa”覆盖，从而导致程序崩溃，而且从调试器看到这是一个栈溢出漏洞，这些信息会为进一步的漏洞利用提供线索。
图7 3CDaemon FTP server测试结果
图8 3CDaemon FTP server调试结果
通过这个简单的Fuzz测试脚本成功找到了一个缓冲区溢出漏洞。
三、 结束语
如果将漏洞作为理解黑客技术的核心，黑客技术本身已经不再神秘，在日常测试中，经过简单设计的测试用例即可完成漏洞挖掘的工作。但是应该看到的是随着安全技术的发展，挖掘漏洞和利用漏洞必定更为复杂。实际上针对协议设计Fuzz测试脚本并不是一件简单的事情，其复杂程度往往超过实现协议本身，在实际的测试中往往需要借助专业的测试框架、测试套件，或者根据实际情况设计比较有针对性的测试用例进行测试。
|
文章名称/相关信息 |
Two statistical traffic features for certain APT group identification---2022.06 |
|
作者想解决什么问题 |
作者想解决APT攻击C2阶段的检测问题。 |
|
作者通过什么理论/模型来解决该问题 |
1、特征选择：C2Load_fluct被添加到DNS特性集，而Bad_rate被添加到TCP和HTTP/HTTPS特性集。 2、PADASYN sampling algorithm对不平衡的样本常用处理 3、使用优化后的adaboost算法的对恶意流量辨识。 |
|
作者给出的答案/解决方案是什么 |
作者着重于C&C连接阶段，分析了某个APT组样本的特征，提出了两种新的流量统计特征。同时，为了解决数据集不平衡的问题，提出了一种数据采样算法，并使用优化后的AdaBoost算法对APT组进行识别。 |
|
作者为什么研究这个课题 |
因为作者发现了某一APT组攻击的DNS和TCP流量，构建了C2 Load_fluct（C2响应包负荷波动）和Bad_rate（坏包率）两个新特征，可用于APT组的识别。 C2Load_fluct描述了单位长度所携带的信息与域名之间的相关性。C2Load_fluct的值越低，使用域名进行信息传输的可能性就越高。Bad_rate反映了生成APT恶意流量和正常流量时的网络状态。 |
|
目前这个课题的研究进行到了什么阶段？ |
作者使用AdaBoost分类器，并与决策树、KNN、朴素贝叶斯和SVM算法进行了比较，采用f1分数对识别效果进行评价。
|
|
这篇文章存在哪些缺陷？ |
Bad_rate特征在其他APT组流量中也有相当多的0，因此该特征对其他APT组的识别影响很小，即坏包率的特征对APT检测不具有普适性。 |
|
作者关于这个课题的构思有哪几点？ |
1、在数据传输阶段，大多数攻击者通过DNS获取与域名对应的IP信息，并将远程C&C与TCP、HTTP/HTTPS协议进行连接起来。 2、APT恶意软件产生的流量有两个主要目的：一是与远程C&C服务器建立连接；另一个是数据被窃取并传输到远程服务器，导致数据泄漏。除了恶意流量分类的常见特征外，还需要考虑隧道传输造成的数据泄露等情况。 3、APT组使用远程控制命令窃取数据。在数据传输过程中，可能会受到网络限制和C＆C端迁移的影响，导致数据包无序和重传。因此，正常流量的无序和重传可能性低于APT恶意流量。
|
|
自己的反思 |
1、可以从特征入手，发现C&C传输阶段没有发掘到的，特殊的特征。 2、通过杀伤链模型和因果场景生成算法来映射流量和攻击阶段。针对C2通信，有在被入侵主机的尝试连接阶段，也有成功入侵以后的传送数据阶段，特征不同。 3、Gans |
|
相关APT的研究 |
从特征角度分析： 1、Yan等。[6]认为在一些APT攻击中，DNS的解析过程是不寻常的，所以他们提出了一个特征即APT攻击中DNS响应与识别可疑DNS行为的请求之间的时间间隔。 2、[7]发现大多数APT攻击会定期使用DNS定位C&C服务器进行信息传输，这将在网络流量和DNS日志中留下一些记录。他们结合了字符串匹配和基于DNS流量的傅里叶变换来检测到的APT恶意软件。 3、HTTP流量特性[8]，即由APT恶意软件产生的HTTP流量与正常上网用户的正常HTTP流量无关。基于这一观察结果，他们分析了HTTP流量的报头字段，以发现与数据泄露和其他可疑的APT活动相关的APT恶意软件流量。 深度学习提取特征：（缺点是样本要足够大，然而，APT攻击样本的数量很少，而且标记网络流量数据集的过程特别昂贵） 1、10]提出了一种基于多路径残差学习的卷积神经网络(CNN)结构，以学习不同粒度的特征，以提高神经网络的表达能力和特征表示的多样性。 2、11]利用一维卷积网络分析混合神经网络的序列特征，并使用深度神经网络进行学习高维特征向量的特征，包括一般统计特征和环境特征，对网络异常检测进行综合分析。以及其他研究12]提出了多分布式变分自动编码器(MVAE)。标签信息允许MVAE在潜在特征空间中强制/划分网络数据样本在不同区域的不同类别。还有一些文学作品13]使用标准化的UTF-8字符编码进行空间特征学习(SFL)，可以完全提取实时HTTP流量的特征，而无需使用加密、熵计算或压缩。其他研究14]设计了一个基于元学习框架的深度神经网络(DNN)全卷积网络(FC-Net)，该网络由一个特征提取网络和一个比较网络组成。
|