[AI安全论文] 16.CCS19 针对PowerShell脚本的轻量级去混淆和语义感知攻击检测（经典）

Eastmount

发布于 2022-04-18 20:18:12

7140

发布于 2022-04-18 20:18:12

前一篇总结了Powershell恶意代码检测相关研究，并结合开源工具分享抽象语法树提取过程。这篇文章将详细讲解CCS2019的Powershell去混淆工作，这篇文章质量非常高，来自于浙江大学的李振源老师。我将从他在InforSec分享的视频和论文原文阅读两个方面进行讲解，希望您喜欢。

原文作者：Zhenyuan Li, Qi Alfred Chen, Chunlin Xiong, Yan Chen, et al. 
原文标题：Effective and Light-Weight Deobfuscation and Semantic-Aware 
Attack Detection for PowerShell Scripts 
原文链接：https://dl.acm.org/doi/pdf/10.1145/3319535.3363187 
发表会议：CCS 2019
参考文献：感谢老师们的论文以及InforSec的分享
 http://https//www.inforsec.org/wp/?p=4349 
 https://www.bilibili.com/video/av800038481

希望自己能在科研路上不断前行，不断学习和总结更高质量的论文。由于自己很菜，只能通过最土的办法慢慢提升，也请大家批评和指正。最后希望这篇文章对您有所帮助，这些大佬真值得我们学习，献上小弟的膝盖，加油！

文章目录：

一.InforSec作者分享的学习笔记 1.研究动机 2.相关工作比较 3.整体方案 4.结合例子介绍具体技术 5.实验结果 6.结论
二.论文阅读分享 1.摘要学习 2.引言和背景及动机 3.总体框架 4. POWERSHELL DEOBFUSCATION 5.对比实验
三.总结

《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。由于作者的英文水平和学术能力不高，需要不断提升，所以还请大家批评指正。同时，前期翻译提升为主，后续随着学习加强会更多分享论文的精华和创新，在之后是复现和论文撰写总结分析。虽然自己科研很菜，但喜欢记录和分享，也欢迎大家给我留言评论，学术路上期待与您前行，加油~

前文推荐：

一.InforSec作者分享的学习笔记

InforSec（网络安全研究国际学术论文）内容简介：越来越多的报道显示，PowerShell被广泛用于各种网络攻击。这些攻击包括高级持续性威胁、勒索病毒、网络钓鱼邮件等等。基于PowerShell的攻击，利用了PowerShell的动态性，构造了复杂的混淆模式，绕过检测。为了克服这一难题，我们提出来第一个轻量且有效的解混淆方案，并基于解混淆后的脚本构造了基于攻击语义的检测系统。实验显示，通过解混淆，我们可以将混淆后脚本和原始脚本之间的相似度从仅0.5％提高到了近80％。同时解混淆过程有效的改善了已有系统的检测效率，Windows Defender和VirusTotal的攻击检测率分别从0.3％和2.65％大幅增加到75.0％和90.0％。嘉宾介绍：李振源，浙江大学在读博士，研究兴趣包括终端安全，入侵检测，威胁分析等。

接下来，我们将从研究动机、相关工作比较、结合案例的具体技术、实验结果和结论五个方面讲解。

1.研究动机

Powershell越来越多出现在各种攻击事件中，根据Mcafee和Symantec报告显示，在2016年至2019年期间，基于Powershell的攻击发生的频率逐年上升，占所有攻击中的45%。

为什么Powershell这么受攻击者欢迎呢？主要是Powershell符合现代攻击的需求，包括三点内容：

Live-off-the-Land 攻击者倾向于使用系统中已有的工具开展攻击，从而避免使用自制的可执行文件及检测。并且，Powershell作为管理员工具，很容易访问和利用Windows组件。
Fileless Attack（无文件攻击） Powershell可以直接从内存中执行而不需要涉及文件。攻击者可以直接从网络上下载攻击脚本，整个过程不涉及文件读写而在内存中执行，可以避免基于文件的杀毒引擎查杀。
Obufscation Powershell作为一种动态语言，灵活性很强，容易被混淆。

那么，针对前两个问题，微软近几年也提出了 ScriptBlock 的记录方案，可以将执行的大多数脚本块记录下来。这种方法具有先天解混淆的能力，因为它可以记录最后执行的 ScriptBlock ，通常混淆后的代码需要解混淆后执行，因此该方法可以解混淆。

但是，混淆并不一定需要从 ScriptBlock 中完成，它也可以在更小的代码片段或token中混淆。此时，该方法就无能为力。基于此，提出了我们的工作，弥补该不足。

混淆是阻碍反病毒引擎查杀包括Powershell在内的恶意程序的最大元凶。

我们可以看看混淆对反病毒引擎的影响。该实验通过40多个样本，在 VirusTotal 上的56个杀毒引擎检测的结果，分为Malicious和Benign两部分，每部分都包括五组数据，对应原始脚本和四种混淆方法加密的结果。

其中，S1和S2是基于字符串操作的，S3和S4是基于编码的。

由图可知，对于恶意样本来说，原始样本平均被13个引擎所查杀，但进行混淆后，检测率大幅度下降。这里有2至3个可以固定将编码混淆找出，但存在一个问题，它其实检测的是编码混淆方法，而不是恶意性，从而带来误报。

经过解混淆后，整体的检测率会大幅提升，将近87%。

2.相关工作比较

传统的解混淆方法分为三个阶段：

检测阶段：脚本是否混淆
解混淆阶段：动态和静态解混淆
验证阶段

这类方法存在如下问题：

粗粒度的混淆检测不能处理局部混淆，比如恶意程序只对关键逻辑混淆，它整体代码仍符合为混淆恶意代码的特征。或者，整个逻辑都应用到脚本上解混淆，未混淆代码会受解混淆的影响，导致漏报和误报
解混淆逻辑需手工需要大量手工工作，无法处理未知混淆，鲁棒性较差
各阶段逻辑未整合每个阶段的逻辑需要独立实现，大大增加人工处理工作

3.整体方案

基于上述动机和问题，我们提出了一种细粒度的，且将各个步骤整合得比较好的系统。此外，我们利用恶意代码或混淆代码自身带有的逻辑来开展解混淆工作。

从直觉上来讲，一个混淆后的代码或脚本想要在机器上正确执行，它肯定是要包含一个解混淆的逻辑，在它们执行之前将内容解析出来。我们提出了比较核心的部分——基于模拟器的解混淆。

在《网络安全系列》，我的博客中也有Powershell解混淆的分享。这里举个简单例子，下图是一段字符混淆Powershell脚本，代码的最后就是自带的解混淆逻辑，当它会调用IEX在内存中执行解析，再实施真实的攻击。

本文系统的核心框架包括五个步骤，后续详细讲解。

(1) 提取子树
(2) 基于子树的混淆检测
(3) 基于模拟器的解混淆
(4) 更新抽象语法树
(5) 后处理

该方案的具体实现过程如下：

首先，我们会把混淆后的代码使用AST（抽象语法树）解析，根据一定的规则提取部分子树。判断哪些子树包含混淆代码，取出子树并量化。
然后，基于子树的混淆检测，我们会通过基于token、字符串和AST三层特性的分类器来判断子树是否存在混淆。
其次，如果子树存在混淆，则基于模拟器开展解混淆，将原始代码片段还原。
再次，更新抽象语法树。接着进行解析，并将新生成的抽象语法树合并到原有抽象语法树中（子树栈），更新分类器的特征值。
最后，当没有剩余的混淆子树，整个解混淆工作基本完成，开展善后处理，使得混淆代码更具可读性。

相对于之前工作，本文具有第三个优点。

第一点：抽象语法子树级的细粒度分析有效实现局部解混淆，将混淆片段准确找到
第二点：利用混淆代码自带逻辑解混淆覆盖面更广，不需要自己去写解混淆的逻辑
第三点：解混淆的三个阶段紧密联系形成一个循环，可以将多层混淆问题解决，具体详见论文

4.结合例子介绍具体技术

为了更好地理解，我们结合例子具体介绍。Powershell是一种高层次、富含语义的语义，假设存在如下代码，可以看到几个明显的特性。

Invoke-Expression：调用命令的操作
Net.WebClient：网络命名空间
.DownloadString()：下载函数
“Invoke-Shellcode.ps1”：恶意脚本

它会建立一个Web服务，然后下载文件并执行，这是一个典型的恶意行为。

如果不经过混淆，很容易就能检测出其恶意性。

接下来使用主流的Invoke-Obfuscation进行混淆，将之前的检测特征进行字符串重组混淆。

需要注意：这些操作本身就是混淆后的代码，又是一个解混淆的逻辑。当然，对于更复杂的情况，解混淆逻辑和解混淆内容会分开，也会提出一些基于AST重组的方法解混淆。

在第一层混淆之后，紧接着进行第二层混淆。这次使用编码的方法，即 Convertto-securestring。

该混淆的本质是一个AES加密，根据信息论的观点来说，加密后的密文和明文信息熵的关系非常弱。那么，我们想利用混淆后的脚本检测原始脚本基本不可能，所以我们需要做一个解混淆的操作。

那么，解混淆怎么做呢？刚才提到，混淆的过程就是把每个片段或整块代码进行一一重组或编码操作，解混淆的过程也会将这些节点找出来。首先，将其解析成一个抽象语法树，我们经过一些裁剪，将有可能参与混淆节点的识别出来。

接着会利用一个分类器来判断哪些是真正含有混淆的，完成之后就可以得到这五棵子树。其实，我们需要解混淆的是标红的四棵。

总之，解混淆大概逻辑是一个自底向上的遍历。为什么自底向上呢？因为解混淆的最下面两棵树，每个节点下面都有一个子树。

解混淆完成之后，我们对抽象语法树进行更新。重组后，可以看到新的节点不具备混淆特征，就不再处理黑色节点。

接着处理其他红色节点并进行重组。

完成解混淆的过程后，整个节点中不再含有混淆的子树。

最终生成如下图所示的Powershell代码。

5.实验结果

我们第一个实验是比较解混淆对代码相似度的提升。与经典的PSDEM方法进行比较，相对于混淆代码提升79.2%，比PSDEM提升42.2%。需要注意，传统方法对很多未知混淆方案无法解混淆，所以说它的鲁棒性较差，攻击者可以较好地针对，并绕过传统的解混淆方法。

第二个实验比较解混淆对检测的提升。我们比较 Windows Defender 和 VirusTotal 对解混淆的效果。VirusTotal 是56个的平均结果。由图可知， Windows Defender 可以提升74.7%，VirusTotal 可以提升87.3%。

此外，解混淆的效率很高。对于平均5.4Kb大小的脚本，解混淆只需要0.5秒，而且用的是普通家用电脑。

解混淆完成之后，我们也提供了一个检测系统。关键是训练、检测之前，进行解混淆操作，我们使用比较基础的OOA方法，通过挖掘平凡子集，提取一些可以用于检测的规则。

可以看到，解混淆之后的规则都比较清晰，包括各种典型的恶意行为函数等。所以，解混淆后的脚本不但能较好地进行恶意性检测，其本身逻辑和语义分析也比较清晰，从而能进行针对性保护。

6.结论

最后总结，我们针对攻击者常用工具PowerShell的混淆难题。

(1) 通过对抽象语法子树细粒度的分析，准确定位混淆片段；
(2) 利用混淆脚本自身逻辑进行解混淆，减少了手工分析的工作，可以处理未知混淆，提高了鲁棒性；
(3) 最后将混淆检测、解混淆逻辑、验证三个阶段有机的结合在一起，可以处理多层混淆。

实现了第一个轻量且有效的PowerShell解混淆系统。有效的提升了解混淆后脚本的检测精度。

二.论文阅读分享

通过上面李老师的分享后，我们再来阅读这篇论文，就会发现文章很多美妙的地方。在该部分，我将站在读者的第一视角，介绍这篇论文很多值得我们学习的地方和亮点。

1.摘要学习

首先，我们来看这篇文章的摘要。前面的博客我们说过，一篇论文的摘要和引言非常重要。如何写好摘要和引言，写高质量摘要，写引人入胜的引言很关键。

近年来，PowerShell 越来越多地出现在各种网络攻击中，从高级持续威胁、勒索软件、网络钓鱼电子邮件、加密劫持、金融威胁到无文件攻击。但是，由于 PowerShell 语言在设计上是动态的，并且可以在不同级别构建脚本片段，因此基于最新静态分析的 PowerShell 攻击检测方法本质上容易受到混淆。

为了克服这一挑战，本文为 PowerShell 脚本设计了第一个有效且轻量级的反混淆方法。为了解决精确识别可恢复脚本片段的挑战，设计了一种新颖的基于子树的反混淆方法。该方法在 PowerShell 脚本的抽象语法树（Abstract Syntax Tree）中的子树级别执行混淆检测和基于仿真的恢复。

基于新的反混淆方法，我们进一步设计了第一个语义感知的 PowerShell 攻击检测系统。为了实现基于语义的检测，我们利用了经典的面向目标的关联挖掘算法，并为 PowerShell 攻击新识别了 31 个语义签名。我们对 2342 个良性样本和 4141 个恶意样本的集合进行了评估，发现我们的去混淆方法平均耗时不到 0.5 秒，同时将混淆后的脚本与原始脚本之间的相似度从仅 0.5% 提高到 80% 左右，这既有效又轻便。

此外，应用我们的去混淆处理后，Windows Defender 和 VirusTotal 的攻击检测率分别从 0.3% 和 2.65% 大幅提高到 75.0% 和 90.0%。同时，当应用我们的去混淆处理时，我们的语义感知攻击检测系统以 92.3% 的平均真阳性率和 0% 的假阳性率优于 Windows Defender 和 VirusTotal。

2.引言和背景及动机

这篇论文的引言写得非常棒，有效突出了Powershell在网络攻击中的重要性，以及现有方法的诸多缺陷，进一步体现本文研究的必要性和贡献。

紧接着是方法对比，体现解混淆、恢复质量和轻量级的优点。

接下来简要介绍本文工作如何解决现有挑战，提出的方法。主要包括解混淆和攻击检测两块。

最后是本文的贡献，分别从解混淆、语义感知攻击检测两个工作，以及实验性能提升方面介绍，很多顶会论文也都采取这种方式介绍贡献。

3.总体框架

接下来是论文的总体概述。

论文整体框架分为三部分：

Deobfuscation phase（去混淆）子树+AST+三层机制结合
Training and detection phases（训练和检测） OOA挖掘算法
Application scenarios（应用） – Real-time attack detection – Large-scale automated malware analysis

在应用场景中，突出本文方法比现有方法更好，同时介绍两种经典的安全应用场景。

4.DEOBFUSCATION

第四部分是详细的解混淆工作，该部分推荐读者阅读原文。

作者从整个解混淆框架的五个核心步骤，依次讲解，具体包括：

4.1 Subtree-based Deobfuscation Approach Overview
4.2 Extract Suspicious Subtrees
4.3 Subtree-based Obfuscation Detection
4.4 Emulation-based Recovery
4.5 AST Update
4.6 Post processing

包括子树提取、更新AST等步骤。

一个恶意脚本混淆和去混淆后和AST效果图如下所示：

此外，第五部分详细介绍了语义感知攻击检测工作。

个人感受： 本文的重点是解混淆，解混淆后的代码其实语义比较丰富，其恶意检测也相对容易，所以仅选择了OOA。该部分应该是为了丰富整体的工作，让论文更加的充实和完整，或许也是审稿老师的修改意见。不过，确实很多顶会论文，包括攻防攻系列，漏洞挖掘防御系列，都会采用这种方式，从而让论文更加完美，值得我学习。