攻防实战下攻击手段全面升级，如何有效应对加密流量攻击？
如今，网络攻击技术和手段持续升级，漏洞利用攻击、无文件攻击等各类高级攻击手段出现，其攻击手法隐蔽、破坏性强，给单位网络安全带来了极大挑战。
其中，加密流量攻击是攻防实战中最常见的手法之一，攻击者为了窃取数据、控制目标系统，往往采取更加隐蔽的加密通信技术，通过对内容进行协议加密，消除攻击的明显特征，使检测难度呈指数上升。
据深信服千里目安全技术中心2021年的实战分析，近50%的安全事件由加密流量攻击引发。如渗透阶段采用TLS加密扫描，攻击阶段采用RDP、SSH等加密的暴力破解，再通过webshell获取权限，最后通过加密隧道外发数据等。
一、AI技术在实战中被广泛应用
检测加密流量而不损害其加密完整性的智能手法逐步被认可，AI技术可以基于大数据统计分析，挖掘数据规律及目标特征，更快地检测出加密流量威胁，减少所需时间和资源，提高网络分析的效率及准确性，在实战中被广泛使用。
然而，AI技术如没有得到有效运用，也无法在实战中检测到加密的威胁行为。例如无监督学习可以定位未知威胁，但精准度待提升；有监督学习精确度高，却无法覆盖未知威胁。
二、如何在实战中精准识别加密流量攻击？
深信服安全团队经过7000+用户实践发现，只有将无监督学习和有监督学习智能化结合，才能最大限度提升加密流量攻击的识别率。
▲ 深信服NDR在实战中识别高级威胁行为示例
1. 有监督学习精准识别已知加密流量
有监督机器学习通过将已知、带标签的行为数据输入系统，学习分析数据行为，并根据数据标签来检测、识别特定的高级威胁。
深信服NDR（全流量高级威胁检测系统）应用AI模型，基于有监督机器学习抓取所有上下行流量，提取1000+维度特征，同时增加了模型训练算法LightGBM学习特征的权重，对已知高级威胁的检测更为精准。传统的检测方式基于一个模型检测多个场景，不同场景的特征不尽相同，因此误报率很高。深信服NDR基于AI模型有监督学习进行场景化建模，一个模型对应一个场景，根据场景特征进行针对性检测，模型检测精准率能够达到98%。
2. 无监督学习提前发现未知加密流量
无监督的机器学习覆盖了聚类、神经网络等方法，不依赖任何标签值，通过自主学习，挖掘数据内在特征，实现自动化全面检测，更合理地利用资源，提升效率。
深信服NDR基于AI模型无监督学习方法，通过聚类学习、特征映射等智能分析技术建立设备加密流量动态行为基线，筛选出异常的、可疑的行为，同时结合行为聚合与关联分析，检测出未知威胁的早期迹象，最大程度地实现自动化检测，可以快速检测出如下异常，帮助网络安全团队主动预防威胁：
异常的网络设备JA3
异常的访问时间和访问频率
异常的上下行数据包比率
异常的证书签发机构
……
以常见的“服务器权限获取手法webshell加密通信”为例，攻击者通过渗透系统或网络安装webshell ，在应用服务器上执行敏感命令、窃取数据、植入病毒，危害极大。webshell具有很强的隐蔽性，传统的、基于单向数据流的流量检测方案，无法实时更新数据，难以有效检测webshell。
深信服NDR基于AI模型无监督学习的孤立森林异常点检测算法，可以构建特征向量，精准检测“孤立离群”的webshell访问行为，具有更高检出率，更低误报率。除了webshell加密通信场景外，深信服NDR同样支持隧道检测、CS漏洞、加密挖矿、加密反弹shell等威胁检测，覆盖多种加密威胁场景。
▲ NDR发现攻击者发起暴力破解，并上传免杀的webshell文件，最终实现远程控制
目前，超7000+用户依托深信服NDR产品，在常态化攻防实战中筑牢安全堡垒。除了全面精准的高级威胁检测，深信服NDR还可以深度联动EDR、SaaS XDR等，对流量侧、端侧数据聚合分析，实现分析、检测、溯源、响应的一站式防护闭环，全力提升企业级用户的纵深防御能力。