行业动态

防御吧作为15年知名老牌域名服务商,CNNIC和CANN双认证域名注册商,已经
持续为500多万个域名提供服务,包括智能DNS/自由转移/隐私保护等服务!
如何精准的提取日志中的URL
2019-06-25 11:17:18 【

在分析日志的时候发现有些日志中参数中包含其他的URL,例如:

http://www.xxx.cn/r/common/register_tpl_shortcut.php?ico_url=http://www.abcfdsf.com/tg_play_1121.php&supplier_id=3&ep=tg&style=szsg_reg_tg03

http://b.xxx.cn?c=<IMGsrc="http://www.thesiteyouareon.com/somecommand.php?somevariables=maliciouscode">

http://b.xxx.cn?c=<SCRIPTa=">"src="http://xss.ha.ckers.org/a.js"></SCRIPT>

提取请求参数中的URL(xss.ha.ckers.org),再对比威胁情报数据库,如果命中黑名单直接标黑。如果不在黑名单,也不在公司的白名单里可以先做个标记,后续着重分析。

提取URL

关于URL的提取网上有很多文章,大部分都是是使用正则表达式,方法简单但是不太准确。我这里提供一种方法:采用词法分析,提取域名和IP。思路借鉴了这篇文章:https://blog.csdn.net/breaksoftware/article/details/7009209,有兴趣的可以去看看,事实证明跟着大神确实涨姿势。

原文是用C++版本,这里我用Python写了一个类似的,供大家参考。

常见的URL分类


IP形式:192.168.1.1,10.20.11.1

Domain形式:baidu.comwww.sina.comfreebuf.com


观察可以见得:IP形式的URL结构最为简单:4个小于255的数字被.分割;domain形式比较复杂,但是它们有共性:都具有顶级域名.com。


定义合法字符:

legalChars = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ-_"legalNumers = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9']


顶级域名列表:

topLevelDomain = ['biz', 'com', 'edu', 'gov', 'info', 'int', 'mil', 'name', 'net', 'org', 'pro', 'aero', 'cat', 'coop',              'jobs', 'museum', 'travel', 'arpa', 'root', 'mobi', 'post', 'tel', 'asia', 'geo', 'kid', 'mail', 'sco',              'web', 'xxx', 'nato', 'example', 'invalid', 'test', 'bitnet', 'csnet', 'onion', 'uucp', 'ac', 'ad', 'ae',              'af', 'ag', 'ai', 'al', 'am', 'an', 'ao', 'aq', 'ar', 'as', 'at', 'au', 'aw', 'ax', 'az', 'ba', 'bb',              'bd', 'be', 'bf', 'bg', 'bh', 'bi', 'bj', 'bm', 'bn', 'bo', 'br', 'bs', 'bt', 'bv', 'bw', 'by', 'bz',              'ca', 'cc', 'cd', 'cf', 'cg', 'ch', 'ci', 'ck', 'cl', 'cm', 'cn', 'co', 'cr', 'cu', 'cv', 'cx', 'cy',              'cz', 'de', 'dj', 'dk', 'dm', 'do', 'dz', 'ec', 'ee', 'eg', 'eh', 'er', 'es', 'et', 'eu', 'fi', 'fj',              'fk', 'fm', 'fo', 'fr', 'ga', 'gb', 'gd', 'ge', 'gf', 'gg', 'gh', 'gi', 'gl', 'gm', 'gn', 'gp', 'gq',              'gr', 'gs', 'gt', 'gu', 'gw', 'gy', 'hk', 'hm', 'hn', 'hr', 'ht', 'hu', 'id', 'ie', 'il', 'im', 'in',              'io', 'iq', 'ir', 'is', 'it', 'je', 'jm', 'jo', 'jp', 'ke', 'kg', 'kh', 'ki', 'km', 'kn', 'kp', 'kr',              'kw', 'ky', 'kz', 'la', 'lb', 'lc', 'li', 'lk', 'lr', 'ls', 'lt', 'lu', 'lv', 'ly', 'ma', 'mc', 'md',              'me', 'mg', 'mh', 'mk', 'ml', 'mm', 'mn', 'mo', 'mp', 'mq', 'mr', 'ms', 'mt', 'mu', 'mv', 'mw', 'mx',              'my', 'mz', 'na', 'nc', 'ne', 'nf', 'ng', 'ni', 'nl', 'no', 'np', 'nr', 'nu', 'nz', 'om', 'pa', 'pe',              'pf', 'pg', 'ph', 'pk', 'pl', 'pm', 'pn', 'pr', 'ps', 'pt', 'pw', 'py', 'qa', 're', 'ro', 'rs', 'ru',              'rw', 'sa', 'sb', 'sc', 'sd', 'se', 'sg', 'sh', 'si', 'sj', 'sk', 'sl', 'sm', 'sn', 'so', 'sr', 'st',              'su', 'sv', 'sy', 'sz', 'tc', 'td', 'tf', 'tg', 'th', 'tj', 'tk', 'tl', 'tm', 'tn', 'to', 'tp', 'tr',              'tt', 'tv', 'tw', 'tz', 'ua', 'ug', 'uk', 'um', 'us', 'uy', 'uz', 'va', 'vc', 've', 'vg', 'vi', 'vn',              'vu', 'wf', 'ws', 'ye', 'yt', 'yu', 'za', 'zm', 'zw']


域名形式提取:如www.baidu.com。


ifself.isLegalChar(zv):            i = 0            reti = 0            tokenType = TK_OTHER            while (i < len(z) andself.isLegalChar(z[i])):                i = i + 1                reti = i            while i < len(z) and z[i] == '.':                i = i + 1                urltoken_str = z[i:len(z)]                urltoken_str = urltoken_str.lower()                if urltoken_str intopLevelDomain:                    i = i + len(urltoken_str)                    reti = i                    tokenType = TK_DOMAIN                while (i < len(z) andself.isLegalChar(z[i])):                    i = i + 1                    reti = i                if i < len(z) and z[i] == ':':                    i = i + 1while (i < len(z) and z[i].isdigit()):                    i = i + 1                    reti = i            if tokenType == TK_DOMAIN:                check_url = z[0:i]                if check_url.find(':') >= 0:                    check_url = check_url[0:check_url.find(':')]                for item intopLevelDomain:                    pos = check_url.find('.' + item)                    if pos > -1and (pos + len(item) + 1 == len(check_url)):self.urls.append(z[0:i])


IP形式提取:如192.168.1.1。


while (i < len(z) and z[i].isdigit()):                i = i + 1                ip_v1 = True                reti = i            if i < len(z) and z[i] == '.':                i = i + 1                reti = i            else:                tokenType = TK_OTHER                reti = 1while (i < len(z) and z[i].isdigit()):                i = i + 1                ip_v2 = Trueif i < len(z) and z[i] == '.':                i = i + 1else:                if tokenType != TK_DOMAIN:                    tokenType = TK_OTHER                    reti = 1while (i < len(z) and z[i].isdigit()):                i = i + 1                ip_v3 = Trueif i < len(z) and z[i] == '.':                i = i + 1else:                if tokenType != TK_DOMAIN:                    tokenType = TK_OTHER                    reti = 1while (i < len(z) and z[i].isdigit()):                i = i + 1                ip_v4 = Trueif i < len(z) and z[i] == ':':                i = i + 1while (i < len(z) and z[i].isdigit()):                i = i + 1if ip_v1 and ip_v2 and ip_v3 and ip_v4:                self.urls.append(z[0:i])                return reti, tokenType            else:                if tokenType != TK_DOMAIN:                    tokenType = TK_OTHER                    reti = 1


混合形式提取:如1234.com。
扫描前半部分1234,符合IP形式的特征,但是发现代码会报异常,所以需要IP处理代码段添加判断:判断后缀是否是顶级域名:

   urltoken_str = z[i:len(z)]            urltoken_str = urltoken_str.lower()            if urltoken_str in topLevelDomain:                i = i + len(urltoken_str)                reti = i                tokenType = TK_DOMAIN

结果测试

测试数据:

192.168.1.1
mp3.com    
http:www.g.cn
http:\www.g.cn
http:\\/\www.g.cn    
admin:@www.g.cn    
http://10.10.10.10:8080/?a=1
file://192.168.1.1:8090/file
mailto:majy@corp.com    
username:password@g.cn


运行结果:

192.168.1.1 ['192.168.1.1']mp3.com ['mp3.com']http:www.g.cn ['www.g.cn']http:\www.g.cn ['www.g.cn']http:\/\www.g.cn ['www.g.cn']admin:@www.g.cn ['www.g.cn']http://10.10.10.10:8080/?a=1 ['10.10.10.10:8080']file://test11.com:8090/file ['test11.com:8090']mailto:majy@corp.com ['corp.com']username:password@g.cn ['g.cn']

这只是个初步的版本,如果有BUG欢迎大家指正。

结束语

以前只顾着闷着头的写代码,忽略了事后的思考和总结。现在尝试着改变一下,一边工作,一边提炼和总结,遇到感觉不错的,尝试写成工具开源出来,与大家共勉。

代码传送门:

https://github.com/skskevin/UrlDetect/blob/master/tool/domainExtract/domainExtract.py

*本文作者:littlegrass,转载自FreeBuf.COM


】【打印关闭】 【返回顶部
分享到QQ空间
分享到: 
上一篇Web攻击检测机器学习深度实践 下一篇游戏服务器怎么选择?高防服务器能..

立足首都,辐射全球,免备案服务器网专注云防御及云计算服务15年!

联系我们

服务热线:010-56157787 ,010-56159998
企业QQ:4000043998
技术支持:010-56159998
Copyright ? 2003-2016 gnmianbeian.com. 免备案服务器网版权所有 增值许可:京B2-20140042号
售前咨询
公司总机:4000043998 01056155355
24小时电话:010-56159998
投诉电话:18910191973
值班售后/技术支持
售后服务/财务
备案专员
紧急电话:18610088800