火出圈的ChatGPT，如何让安全检测更智能

ChatGPT的算法基于Transformer架构，这是一种使用自注意力机制处理输入数据的深度神经网络。Transformer架构广泛应用于语言翻译、文本摘要、问答等自然语言处理任务。ChatGPT使用了GPT-3.5大规模语言模型（LLM Large Language Model），并在该模型的基础上，引入强化学习来微调预训练的语言模型。这里的强化学习采用的是RLHF（Reinforcement Learning from Human Feedback），即人工标注方式。目的是通过其奖励惩罚机制，让LLM模型学会理解各种自然语言处理任务，并学会从helpfulness、honest、harmless三个维度判断什么样的答案是优质的。

ChatGPT模型的主要训练流程如下：

• 首先利用一系列问答对模型进行监督训练（也叫监督指令微调）。
• 利用强化学习对模型进一步指令微调，即模型在给定环境中，不断根据环境的奖励和惩罚，拟合到一个最适应环境的状态。具体来说，就是在人类的参与下训练一个奖赏网络，这个奖赏网络具有对多个聊天回复进行好坏排序的能力。
• 利用这个奖赏网络，进一步通过强化学习不断优化模型。

在安全检测领域，越来越多的企业组织开始使用人工智能技术，来帮助检测网络流量中的潜在威胁。人工智能的优势在于，它可以处理大量的数据，快速准确地识别并分类异常流量。通过训练神经网络模型，人工智能可以自动化检测识别网络攻击、漏洞利用和恶意软件等行为，减少人工干预和误报，提高检测的准确性与效率。

当前主流的网络攻击检测，核心是基于DPI技术，发展出的针对HTTP访问的检测（WAF），以及针对操作系统的入侵防御检测（IPS）。即部署在应用前，在用户请求到达服务端之前对其进行扫描和过滤，分析校验每个用户请求的网络包，确保每个请求的安全有效，对无效或有攻击行为的请求进行拦截或隔离。目前，常用的攻击检测方式如下：

1.签名检测技术

基于事先编写的特定规则或模式（正则表达式）检测网络流量中的威胁，如病毒、恶意软件、入侵行为等。但是由于攻击手段多样化，有经验的黑客可以通过一些语句变化绕过检测。正则表达式是由关键字发展而来的，虽然在一定程度上降低了误报率，但由于正则表达式是基于字符串的过滤，只能检测预定好的攻击行为；针对一些比较复杂的注入方法，同样存在漏报率高的问题。

2.流量分析技术

通过对同类流量的来源IP、协议类型比例、流量上下行趋势等基础元素的建模分析，得到一些异常事件的分析结论。但是流量分析需要对网络流量进行捕获分析，所以需要较高的计算资源和存储资源，会使得整个系统比较庞大。

3.行为分析技术

通过监视网络流量的行为，检测出异常活动。例如，检测出某Web应用服务器访问非业务数据库、突发大量数据流、频繁访问尝试等，进而发现潜在的网络威胁。在这一过程中，会误报一些合法活动（例如临时下载等），且成熟的行为分析模型需要较长时间来训练和学习，因此防护效率可能较低。

4.基于语义的规则匹配

将检测引擎设计成SQL语义解释器或命令行终端，尝试理解用户输入的内容，判断是否有可能构成攻击。目前主要针对SQL注入，使用场景有限。

基于DPI引擎的检测方式，除了有这些使用限制外，还存在多种绕过流量解析引擎进行入侵的方法。例如，利用DPI引擎可能存在的HTTP协议解析缺陷，只识别80端口为HTTP流量，而Web应用端口在8080上，其HTTP流量会被DPI引擎解析为非HTTP，从而绕过应用层攻击检测。

哪些环节可以应用ChatGTP

我们按照DPI引擎的解包流程，将原始流量解析出关键字段数据，进行规则匹配。如果能匹配到规则，则说明报文存在攻击行为；如果不能匹配，则说明报文风险较低。DPI引擎收到的流量如下图：

DPI引擎会按照会话对流量进行分组，在同一个组中的报文，一般为同一五元组的请求响应报文：

DPI引擎会将流量按照协议层级进行拆解，直到解析出所有的字段。

DPI引擎会提取其中应用层的明文请求，作为待检测内容：

ChatGPT作为一种大型自然语言处理模型，可以理解HTTP原始报文信息，这样无论攻击出现在URL、Cookies还是Referer中，都能顺利检测到。

ChatGPT流量检测实践

ChatGPT、New Bing等攻击判断模块，会调用OpenAI相关API接口，使用提问的方式让ChatGPT、New Bing等进行攻击判断，示意代码如下：

import openai
openai.api_key = "sk-Bew1dsFo3YXoY2***********81AkBHmY48ijxu"    # api token 用来认证
def get_answer(prompt, max_tokens): # 定义一个获取答案的函数
    try:
        response = openai.Completion.create(
            model = "text-davinci-003",     # 模型名称
            prompt = prompt,                # 问题
            temperature = 0.7,              
            max_tokens = max_tokens,        # 返回内容的长度限制
            stream = False,                 # False就是一次性返回, True 就是一个个打出来像打字机, 返回的是迭代器, 需要后面代码处理. 此处没有处理 所以用False
            top_p = 1,                     
            frequency_penalty = 0,          
            presence_penalty = 0           
        )
        return 0, response['choices'][0]['text'].strip()    # 获取返回值关键返回内容
    except Exception as e:                  # 异常处理
        return str(e), None

通过上述函数，就可以达到类似向ChatGPT提问的效果（使用模型为text-davinci-003），如下图：

ChatGPT会返回明确的是否存在攻击行为的结论以及行为描述，这样就完成了一次攻击判断。

如上图，可以将流量中大量需要判断的请求，分别存入不同的文件，由ChatGPT进行攻击判读，示例代码如下：

def main(read_dir = 'detect'):    # 定义main函数
    args = []                    # 缓存列表
    global sign_req, all_req    # 识别计数
    for rf in walk_dir(read_dir, ['.txt']):        # 遍历待检测目录
        all_req += 1                            # 总数据包数自增1
        content = read_fileA(rf, 'str')[:2048]    # 提取报文文件前2048个字符
        key_content = content.split('\r\n\r\n\r\n')[0][:1024]    # 提取http请求
        if len(key_content) < 10: continue                        # 如果长度太小就不检测
        err, sign, disc = judge_attack(key_content, rf_rst)        # 调用ChatGPT接口进行攻击检测
        if sign: sign_req += 1                                    # 如果检测到攻击, 攻击计数自增1

        print('\r' + f' 已检测 {all_req: 4} 个报文, 识别到攻击 {sign_req} 个, 检出率: {sign_req/all_req:0.2%}', end='', flush=True) # 打印结论

如此就可以做到批量报文攻击检测。

攻击样本来自Nuclei对靶机的扫描和全PoC检测，因为有一些请求从单个报文中确实看不出来是否存在威胁。

上述情况可能需要更多上下文才能判断，此次已去除此类无法准确判断的请求例，尽量给一些人工条件下能够准确判断的样例，总体检测结果如下图：

可见ChatGPT对流量检测的准确率是非常高的，基本上相当于一个安全专家进行快速判断，其安全检测能力值得期待。

有兴趣的读者可以查看完整的项目源码，链接为：https://github.com/VitoYane/PcapSplit

未来展望

未来，ChatGPT在网络安全中将扮演什么角色、有什么影响，我们很难进行准确预测，这取决于它的使用方式和使用意图。来自人工智能的威胁并不是一个新问题，对网络安全从业者来说，重要的是及时意识到ChatGPT的潜在风险并采取适当的措施来应对。

安全专家预测，国家背景的黑客将率先在网络攻击中利用ChatGPT，而该技术最终会在更多的攻击组织中得到大规模的使用，防守方需要开始研发能够抵御此类攻击的系统。

从网络安全防护的角度来看，企业机构可以采取针对性的应对措施，对ChatGPT等类似模型进行培训，标记恶意活动和恶意代码，同时对其设置难以绕过的护栏。对于ChatGPT引发的威胁，可以向员工提供新型的网络意识培训，掌握识别社会工程攻击的知识，以便识别ChatGPT等人工智能工具创造的钓鱼攻击。

当然仅仅是这样还不够。ChatGPT等人工智能工具会以比人类罪犯更快的速度制造出新的威胁，传播威胁的速度也将超过网络安全人员的反应速度。企业机构跟上这一变化速度的唯一方法，是使用人工智能来应对人工智能。

总的来说：一方面，网络安全行业的研究人员、从业者、学术机构和企业组织可以利用ChatGPT的力量进行创新和协作，包括漏洞发现、事件响应和钓鱼检测；另一方面，随着ChatGPT等工具的发展，未来开发新的网络安全工具更加重要。安全厂商应更积极地开发和部署基于行为（而非规则）的AI安全工具，来检测人工智能生成的攻击。