nextcup / aliyun-safe-match

Webshell和钓鱼网站检测（阿里云安全算法挑战赛 第29名）

1 背景

1. 该项目的代码是参加 阿里云安全算法挑战赛 时写的。主要利用规则和正则表达式，排名第29。
2. 为了更好地理解项目，对项目进行了重构，保留了处理的主体部分。

2 QuickStart

1. 需要配置maven环境。
2. 下载并导入项目，将lib下的sun.misc.BASE64Decoder.jar添加项目中。
3. 运行 src/test/java/safe/fish/TestFishFilter.java 可使用钓鱼网站检测功能。钓鱼网站检测功能接口如下。

FishFilter.isFish(String URL,String HTML)  // 静态方法，传入url和网页内容

4. 运行 src/test/java/safe/webshell/TestWebShellDetector.java 可使用WebShell检测功能。WebShell检测功能接口如下。

WebShellDetector.isWebShell(String postData)  // 静态方法，传入网址后面带的参数或者上传内容

3 大致解题思路

3.1 钓鱼网站判断

• 爬取“站长之家”的网站域名，建立白名单（中文关键字到网站的地址映射表）
  
• 解析网页,获取关键字
  
• 根据关键字查询白名单
  

3.2 WebShell通信检测

• 列举恶意代码，如：eval call_user_func 等
  
• 写出恶意代码的正则表达式
  
• 进行正则表达式匹配
  

4 项目结构

• 测试文件夹 test 中的代码可以帮助理解一些代码的使用。
• data 文件下存放了一些项目需要使用的数据。
• 跟钓鱼网站相关的代码都在 safe.fish 包中，其中 FishFilter.java 是入口类。
• 跟 WebShell检测相关的代码都在 safe.webshell 包中，其中 WebShellDetector.java 是入口类。

以下是 src/main 中的代码说明：

| - safe.fish 判断钓鱼网站的主体逻辑包

| ----  | DomainConflictChecker.java 跟网页本身的一些链接冲突进行判断

| ----  | FishFilter.java 判断钓鱼网站的入口类，主体逻辑

| ----  | PageInfo.java 根据URL、HTML解析出的网页信息对象

| ----  | PageKeyChecker.java 根据网页文本中的关键字进行检查

| ----  | Result.java 检测结果枚举类

| - safe.fish.utils  判断钓鱼网站的工具类

| ----  | DataLoader.java 加载文件中的数据

| ----  | TitleDivider.java 从网页标题中获取关键字

| ----  | XnTool.java 解析xn--的网址中的中文

| ----  | ZhushiUtil.java 去掉一些注释

| - safe.fish.whitelist  中文到域名的映射包

| ----  | ChineseDns.java 构建中文到域名的映射

| ----  | SpiderOfChinaz.java 爬取站长之家的域名数据

| - safe.webshell 判断webshell的主体逻辑包

| ----  | Decoder.java 解码类

| ----  | TextChecker.java 判断文本是否可以执行

| ----  | WebShellDetector.java 对网址参数进行检测

以下是 src/test 中的代码说明：

| - safe.fish

| ----  | TestFishFilter.java 测试钓鱼网站检测功能

| - safe.fish.utils  

| ----  | TestXnTool.java 测试解析xn--的网址中的中文

| - safe.webshell 

| ----  | TestDecoder.java 测试解码功能

| ----  | TestTextChecker.java 测试判断文本是否可以执行功能

| ----  | TestWebShellDetector.java 测试 WebShell 检测功能

5 代码重构

本次代码重构的方法如下所示。

问题	处理
注释掉的代码太多，舍不得扔掉代码，影响可读性	简单功能直接删去，复杂的功能可以重构独立到工具类中
测试和源代码混合在一起	将测试代码移入到 src/test 中去
代码中硬嵌手数据太多（比赛平台原因）	移入到外部数据源中
类和函数名过于简单随意，难以理解	根据类和函数功能，结合百度翻译等工具，取合适的名字
一些状态无关、没有复用逻辑的类被设计成了单例，多次一举	改为静态函数
钓鱼网站部分代码混乱，存在重复工作部分	将解析和判断分离，主要解析在创建 PageInfo 类时全部完成
基于规则（比赛样本较少，也是不得已为之）的结构会导致：逻辑冲突、难以扩展等问题	样本充足时可使用机器学习训练的方法（重构中未实现，但已将部分特征集中在 PageInfo 类中）
文档不完善	完善文档