摘要：小安分析的數(shù)據(jù)主要是用戶使用代理訪問(wèn)日志記錄信息，要分析的原始數(shù)據(jù)以的形式存儲(chǔ)。下面小安帶小伙伴們一起來(lái)管窺管窺這些數(shù)據(jù)。在此小安一定一定要告訴你，小安每次做數(shù)據(jù)分析時(shí)必定使用的方法方法。

隨著網(wǎng)絡(luò)安全信息數(shù)據(jù)大規(guī)模的增長(zhǎng),應(yīng)用數(shù)據(jù)分析技術(shù)進(jìn)行網(wǎng)絡(luò)安全分析成為業(yè)界研究熱點(diǎn)，小安在這次小講堂中帶大家用Python工具對(duì)風(fēng)險(xiǎn)數(shù)據(jù)作簡(jiǎn)單分析，主要是分析蜜罐日志數(shù)據(jù)，來(lái)看看一般大家都使用代理ip干了一些啥事。

大家可能會(huì)問(wèn)啥是蜜罐，網(wǎng)上一些黑客或技術(shù)人員經(jīng)常做一些＂事情＂的時(shí)候，需要隱藏自己身份，這樣他們會(huì)使用代理IP來(lái)辦事。而蜜罐(Honeypot)是一種新型的主動(dòng)防御的安全技術(shù)，它是一個(gè)專門為了被攻擊或入侵而設(shè)置的欺騙系統(tǒng)——既可以用于保護(hù)產(chǎn)品系統(tǒng)，又可用于搜集黑客信息，是一種配置靈活、形式多樣的網(wǎng)絡(luò)安全技術(shù)。

說(shuō)得通俗一點(diǎn)就是提供大量代理IP，引誘一些不法分子來(lái)使用代理這些代理ip，從而搜集他們的信息。

工欲善其事，必先利其器，在此小安向大家介紹一些Python數(shù)據(jù)分析的“神兵利器“。

Python中著名的數(shù)據(jù)分析庫(kù)Panda

Pandas庫(kù)是基于NumPy 的一種工具，該工具是為了解決數(shù)據(jù)分析任務(wù)而創(chuàng)建，也是圍繞著 Series 和 DataFrame 兩個(gè)核心數(shù)據(jù)結(jié)構(gòu)展開的，其中Series 和 DataFrame 分別對(duì)應(yīng)于一維的序列和二維的表結(jié)構(gòu)。

Pandas提供了大量能使我們快速便捷地處理數(shù)據(jù)的函數(shù)和方法。這個(gè)庫(kù)優(yōu)點(diǎn)很多，簡(jiǎn)單易用，接口抽象得非常好，而且文檔支持實(shí)在感人。你很快就會(huì)發(fā)現(xiàn)，它是使Python成為強(qiáng)大而高效的數(shù)據(jù)分析環(huán)境的重要因素之一。

數(shù)據(jù)可視化采用Python上最常用的Matplotlib庫(kù)

Matplotlib是一個(gè)Python的圖形框架，也是Python最著名的繪圖庫(kù)，它提供了一整套和Matlab相似的命令A(yù)PI，十分適合交互式地進(jìn)行制圖。

我們有了這些“神兵利器“在手，下面將帶大家用Python這些工具對(duì)蜜罐代理數(shù)據(jù)作一個(gè)走馬觀花式的分析介紹。

啟動(dòng)IPython notebook，加載運(yùn)行環(huán)境：

%matplotlib inline
import pandas as pd
from datetime import timedelta, datetime
import matplotlib.pyplot as plt
import numpy as np

俗話說(shuō): 巧婦難為無(wú)米之炊。小安分析的數(shù)據(jù)主要是用戶使用代理IP訪問(wèn)日志記錄信息，要分析的原始數(shù)據(jù)以CSV的形式存儲(chǔ)。這里首先要介紹到pandas.read_csv這個(gè)常用的方法，它將數(shù)據(jù)讀入DataFrame。

analysis_data = pd.read_csv("./honeypot_data.csv") 

對(duì)的, 一行代碼就可以將全部數(shù)據(jù)讀到一個(gè)二維的表結(jié)構(gòu)DataFrame變量，感覺(jué)很簡(jiǎn)單有木有?。。?！當(dāng)然了用Pandas提供的IO工具你也可以將大文件分塊讀取，再此小安測(cè)試了一下性能，完整加載約21530000萬(wàn)條數(shù)據(jù)也大概只需要90秒左右，性能還是相當(dāng)不錯(cuò)。

3.數(shù)據(jù)管窺

一般來(lái)講，分析數(shù)據(jù)之前我們首先要對(duì)數(shù)據(jù)有一個(gè)大體上的了解，比如數(shù)據(jù)總量有多少，數(shù)據(jù)有哪些變量，數(shù)據(jù)變量的分布情況，數(shù)據(jù)重復(fù)情況，數(shù)據(jù)缺失情況，數(shù)據(jù)中異常值初步觀測(cè)等等。下面小安帶小伙伴們一起來(lái)管窺管窺這些數(shù)據(jù)。

使用shape方法查看數(shù)據(jù)行數(shù)及列數(shù)

analysis_data.shape
Out: (21524530, 22) #這是有22個(gè)維度，共計(jì)21524530條數(shù)據(jù)記的DataFrame

使用head()方法默認(rèn)查看前5行數(shù)據(jù)，另外還有tail()方法是默認(rèn)查看后5行,當(dāng)然可以輸入?yún)?shù)來(lái)查看自定義行數(shù)

analysis_data.head(10) 

這里可以了解到我們數(shù)據(jù)記錄有用戶使用代理IP日期，代理header信息，代理訪問(wèn)域名，代理方法，源ip以及蜜罐節(jié)點(diǎn)信息等等。在此小安一定一定要告訴你，小安每次做數(shù)據(jù)分析時(shí)必定使用的方法–describe方法。pandas的describe()函數(shù)能對(duì)數(shù)據(jù)進(jìn)行快速統(tǒng)計(jì)匯總：

對(duì)于數(shù)值類型數(shù)據(jù)，它會(huì)計(jì)算出每個(gè)變量： 總個(gè)數(shù)，平均值，最大值，最小值，標(biāo)準(zhǔn)差，50%分位數(shù)等等；
非數(shù)值類型數(shù)據(jù)，該方法會(huì)給出變量的： 非空值數(shù)量、unique數(shù)量(等同于數(shù)據(jù)庫(kù)中distinct方法)、最大頻數(shù)變量和最大頻數(shù)。

由head()方法我們可以發(fā)現(xiàn)數(shù)據(jù)中包含了數(shù)值變量、非數(shù)值變量，我們首先可以利用dtypes方法查看DataFrame中各列的數(shù)據(jù)類型，用select_dtypes方法將數(shù)據(jù)按數(shù)據(jù)類型進(jìn)行分類。然后，利用describe方法返回的統(tǒng)計(jì)值對(duì)數(shù)據(jù)有個(gè)初步的了解：

df.select_dtypes(include=["O"]).describe() 

df.select_dtypes(include=["float64"]).describe()

簡(jiǎn)單的觀察上面變量每一維度統(tǒng)計(jì)結(jié)果，我們可以了解到大家獲取代理數(shù)據(jù)的長(zhǎng)度平均1670個(gè)字節(jié)左右。同時(shí)，也能發(fā)現(xiàn)字段scan_os_sub_fp，scan_scan_mode等存在空值等等信息。這樣我們能對(duì)數(shù)據(jù)整體上有了一個(gè)大概了解。

由于源數(shù)據(jù)通常包含一些空值甚至空列，會(huì)影響數(shù)據(jù)分析的時(shí)間和效率，在預(yù)覽了數(shù)據(jù)摘要后，需要對(duì)這些無(wú)效數(shù)據(jù)進(jìn)行處理。

一般來(lái)說(shuō)，移除一些空值數(shù)據(jù)可以使用dropna方法， 當(dāng)你使用該方法后，檢查時(shí)發(fā)現(xiàn) dropna() 之后幾乎移除了所有行的數(shù)據(jù)，一查Pandas用戶手冊(cè)，原來(lái)不加參數(shù)的情況下， dropna() 會(huì)移除所有包含空值的行。

如果你只想移除全部為空值的列，需要加上 axis 和 how 兩個(gè)參數(shù)：

analysis_data.dropna(axis=1, how="all")

另外，也可以通過(guò)dropna的參數(shù)subset移除指定列為空的數(shù)據(jù)，和設(shè)置thresh值取移除每非None數(shù)據(jù)個(gè)數(shù)小于thresh的行。

analysis_data.dropna(subset=["proxy_host", "srcip"])
#移除proxy_host字段或srcip字段沒(méi)有值的行
analysis_data.dropna(thresh=10)
#移除所有行字段中有值屬性小于10的行

再對(duì)數(shù)據(jù)中的一些信息有了初步了解過(guò)后，原始數(shù)據(jù)有22個(gè)變量。從分析目的出發(fā)，我將從原始數(shù)據(jù)中挑選出局部變量進(jìn)行分析。這里就要給大家介紹pandas的數(shù)據(jù)切片方法loc。

loc([start_row_index:end_row_index,[‘timestampe’, ‘proxy_host’, ‘srcip’]])是pandas重要的切片方法，逗號(hào)前面是對(duì)行進(jìn)行切片；逗號(hào)后的為列切片，也就是挑選要分析的變量。

如下，我這里選出日期，host和源IP字段——

analysis_data = analysis_data.loc([:, [‘timestampe’,"proxy_host","srcip"]])

首先讓我們來(lái)看看蜜罐代理每日使用數(shù)據(jù)量，我們將數(shù)據(jù)按日統(tǒng)計(jì)，了解每日數(shù)據(jù)量PV，并將結(jié)果畫出趨勢(shì)圖。

daily_proxy_data = analysis_data[analysis_data.module=="proxy"]
daily_proxy_visited_count = daily_proxy_data.timestamp.value_counts().sort_index()
daily_proxy_visited_count.plot()

對(duì)數(shù)據(jù)列的丟棄，除無(wú)效值和需求規(guī)定之外，一些表自身的冗余列也需要在這個(gè)環(huán)節(jié)清理，比如說(shuō)DataFrame中的index號(hào)、類型描述等，通過(guò)對(duì)這些數(shù)據(jù)的丟棄，從而生成新的數(shù)據(jù)，能使數(shù)據(jù)容量得到有效的縮減，進(jìn)而提高計(jì)算效率。

由上圖分析可知蜜罐代理使用量在6月5號(hào)，19-22號(hào)和25號(hào)這幾天呈爆炸式增長(zhǎng)。那么這幾天數(shù)據(jù)有情況，不正常，具體是神馬情況，不急，后面小安帶大家一起來(lái)慢慢揪出來(lái)到底是那些人(源ip) 干了什么“壞事”。

進(jìn)一步分析, 數(shù)據(jù)有異常后，再讓我們來(lái)看看每天去重IP數(shù)據(jù)后量及其增長(zhǎng)量。可以按天groupby后通過(guò)nunique()方法直接算出來(lái)每日去重IP數(shù)據(jù)量。

daily_proxy_data = analysis_data[analysis_data.module=="proxy"]
daily_proxy_visited_count = daily_proxy_data.groupby(["proxy_host"]).srcip.nunique()
daily_proxy_visited_count.plot()

究竟大部分人（源ip）在干神馬？干神馬？干神馬？讓我們來(lái)看看被訪問(wèn)次數(shù)最多host的哪些，即同一個(gè)host關(guān)聯(lián)的IP個(gè)數(shù)，為了方便我們只查看前10名熱門host。

先選出host和ip字段，能過(guò)groupby方法來(lái)group 每個(gè)域名(host)，再對(duì)每個(gè)域名的ip訪問(wèn)里unique統(tǒng)計(jì)。

host_associate_ip = proxy_data.loc[:, ["proxy_host", "srcip"]]
grouped_host_ip = host_associate_ip.groupby(["proxy_host"]).srcip.nunique()
print(grouped_host_ip.sort_values(ascending=False).head(10))

再細(xì)細(xì)去看大家到底做了啥——查看日志數(shù)據(jù)發(fā)現(xiàn)原來(lái)在收集像二手車價(jià)格，工人招聘等等信息。從熱門host來(lái)看，總得來(lái)說(shuō)大家使用代理主要還是獲取百度，qq，Google，Bing這類婦孺皆知網(wǎng)站的信息。

下面再讓我們來(lái)看看是誰(shuí)用代理IP“干事”最多，也就是看看誰(shuí)的IP訪問(wèn)不同host的個(gè)數(shù)最多。

host_associate_ip = proxy_data.loc[:, ["proxy_host", "srcip"]]
grouped_host_ip = host_associate_ip.groupby(["srcip"_host"]).proxy_host.nunique()
print(grouped_host_ip.sort_values(ascending=False).head(10))

哦，發(fā)現(xiàn)目標(biāo)IP為123..*.155的小伙子有大量訪問(wèn)記錄, 進(jìn)而查看日志，原來(lái)他在大量收集酒店信息。 好了，這樣我們就大概能知道誰(shuí)在干什么了，再讓我們來(lái)看看他們使用proxy持續(xù)時(shí)長(zhǎng)，誰(shuí)在長(zhǎng)時(shí)間里使用proxy。 代碼如下——

這里不給大家細(xì)說(shuō)代碼了，只給出如下偽代碼。

date_ip = analysis_data.loc[:,["timestamp","srcip"]]
grouped_date_ip = date_ip.groupby(["timestamp", "srcip"])
#計(jì)算每個(gè)源ip(srcip)的訪問(wèn)日期
all_srcip_duration_times = ...
#算出最長(zhǎng)連續(xù)日期天數(shù)
duration_date_cnt =  count_date(all_srcip_duration_times)

好了，到此我也就初略的知道那些人做什么，誰(shuí)用代理時(shí)長(zhǎng)最長(zhǎng)等等問(wèn)題額。取出ip = 80...38的用戶使用代理ip訪問(wèn)數(shù)據(jù)日志，發(fā)現(xiàn)原來(lái)這個(gè)小伙子在長(zhǎng)時(shí)間獲取搜狐images。

蜜罐在全國(guó)各地部署多個(gè)節(jié)點(diǎn)，再讓我們來(lái)看看每個(gè)源ip掃描蜜罐節(jié)點(diǎn)總個(gè)數(shù)，了解IP掃描節(jié)點(diǎn)覆蓋率。結(jié)果見如下：

# 每個(gè)IP掃描的IP掃描節(jié)點(diǎn)總個(gè)數(shù)
node = df[df.module=="scan"]
node = node.loc[:,["srcip","origin_details"]]
grouped_node_count = node.groupby(["srcip"]).count()
print grouped_node_count.sort_values(["origin_details"], ascending=False).head(10)

由上述兩表初步可知，一些結(jié)論：如源ip為182...205的用戶長(zhǎng)時(shí)間對(duì)蜜罐節(jié)點(diǎn)進(jìn)行掃描，mark危險(xiǎn)用戶等等。

給大家簡(jiǎn)單介紹的用python工具，主要是pandas庫(kù)來(lái)分析數(shù)據(jù)，當(dāng)然這個(gè)庫(kù)的功能非常強(qiáng)大，更多的還是要大家自己去使用和探索。

反爬蟲

文章來(lái)源：http://bigsec.com/