N3XT-G3N वेब ऐप फ़ायरवॉल (NGWAF)

NGWAF @yupengfei, @zhangbosen, @matthewng और @elizabethlim द्वारा बनाया गया है।

NGWAF के प्रारंभिक चरणों में उनके योगदान के लिए @ruinahkoh को विशेष शुक्रिया।

NGWAF एक प्रयोगात्मक अवधारणा प्रमाण है और अपने वर्तमान रूप में उत्पादन उपयोग के लिए तैयार नहीं है।

सामग्री

1. प्रेरणा

   ​ NGWAF कैसे काम करता है?

   ​ NGWAF के प्रमुख विचार

2. घटक | NGWAF के गियर

   ​ दिमाग: मशीन-लर्निंग आधारित WAF

   ​ देखने का शीशा: स्केलेबल इंटरैक्टिव क्वारंटाइन वातावरण

   ​ पुस्तकालय: दिमाग को मजबूत करने के लिए पुनःप्रशिक्षण अनुक्रम

3. NGWAF सेट करना

   ​ आवश्यकताएँ

   ​ स्थापना और उपयोग

4. अस्वीकरण और अन्य विचार

5. लाइसेंसिंग

प्रेरणा

2000 के दशक की शुरुआत से वेब अनुप्रयोगों के विस्फोटक विकास के साथ, वेब-आधारित हमले धीरे-धीरे अधिक व्यापक हो गए हैं। एक सामान्य समाधान वेब एप्लीकेशन फ़ायरवॉल (WAF) है। हालाँकि, पता लगाने के तंत्र में सुधार के लिए वर्तमान WAF के नियमों को बदलना जटिल और कठिन हो सकता है। NGWAF एक उपन्यास मशीन लर्निंग और क्वारंटाइन-टू-हनीपॉट आर्किटेक्चर के साथ इन कमियों को दूर करने का प्रयास करता है।

WAF संचालन से वास्तविक दर्द बिंदुओं से प्रेरित होकर, NGWAF निम्नलिखित प्रक्रियाओं के माध्यम से WAF संचालन को सरल और पुनर्विचार करने का इरादा रखता है:

दर्द बिंदु	NGWAF सुविधा
पता लगाने के तंत्र और नियमों का रखरखाव जटिल हो सकता है	पता लगाने के तंत्र बनाने और अपडेट करने की प्रक्रिया को स्वचालित करने के लिए मशीन लर्निंग का लाभ उठाएं
दुर्भावनापूर्ण ट्रैफ़िक को तुरंत ब्लॉक करने से भविष्य में WAF सुधार के लिए खतरे के अभिनेता के व्यवहार से सीखने की संभावना कम हो जाती है	पारंपरिक ड्रॉपिंग और ब्लॉकिंग के बजाय पुनर्निर्देशित क्वारंटाइन के माध्यम से खतरे का उन्मूलन

तैनाती को सरल और पोर्टेबल बनाने के लिए, हमने डॉकर का उपयोग करके आर्किटेक्चर में विभिन्न घटकों को कंटेनरीकृत किया है और उन्हें डॉकर-कंपोज़ फ़ाइल में कॉन्फ़िगर किया है। यह इसे एक नए इंस्टॉल पर चलाने के लिए त्वरित और आसान बनाता है क्योंकि निर्भरताएँ डॉकर द्वारा स्वचालित रूप से संभाली जाती हैं। तैनाती को किसी स्थानीय या क्लाउड प्रदाता आधारित कुबरनेट्स क्लस्टर में तैनात करने के लिए विस्तारित किया जा सकता है, जिससे उपयोगकर्ता बड़ी मात्रा में ट्रैफ़िक को संभालने के लिए नोड्स/पॉड्स की संख्या बढ़ा सकते हैं।

तैनाती का परीक्षण macOS (डॉकर डेस्कटॉप), लिनक्स (उबंटू) पर किया गया है।

NGWAF कैसे काम करता है?

NGWAF तीन प्रमुख घटकों के साथ आउट-ऑफ-द-बॉक्स चलता है, ये घटक जैसा कि ऊपर बताया गया है, सभी कंटेनरीकृत हैं और वांछित उपयोग के अनुसार स्केलेबल हैं। संरक्षित संसाधन को सेटअप के भीतर तैनाती परिवर्तन करके अनुकूलित किया जा सकता है।

विभिन्न पक्षों से अपेक्षित ट्रैफ़िक प्रवाह के साथ NGWAF की उच्च स्तरीय वास्तुकला

प्रमुख लाभ

NGWAF को निम्नलिखित प्रमुख उपयोगकर्ता लाभों को ध्यान में रखकर डिज़ाइन किया गया था:

1. नियम जटिलता में कमी

NGWAF पारंपरिक नियमसेट को डीप लर्निंग मॉडल से बदल देता है ताकि नियमों के प्रबंधन और अद्यतन की जटिलता को कम किया जा सके। मैन्युअल रूप से नियमों को संपादित करने के बजाय, NGWAF का मशीन लर्निंग दुर्भावनापूर्ण डेटा से पैटर्न सीखने की प्रक्रिया को स्वचालित करता है। क्वारंटाइन वातावरण से एकत्र किए गए डेटा को स्वचालित रूप से साफ और बैच किया जाता है, जिससे इसे हमारे डिटेक्शन मॉडल में पुनः प्रशिक्षित किया जा सकता है यदि वांछित हो।

2. साइबर धोखा

NGWAF एक नवीन आर्किटेक्चर अपनाता है जिसमें संभावित शत्रुतापूर्ण हमलावरों को अलग करने के लिए एक इंटरैक्टिव और क्वारंटाइन वातावरण शामिल है। पारंपरिक WAF के विपरीत जो पता लगाने पर ब्लॉक करता है, NGWAF खतरे के अभिनेताओं को अनुकरण प्रणालियों में डायवर्ट करता है, उन्हें फँसाता है ताकि उनके दुर्भावनापूर्ण कार्यों के प्रभाव को कम किया जा सके। वातावरण वर्तमान हमले के तरीकों को इकट्ठा करने के लिए एक सिंकहोल के रूप में भी कार्य करता है, जिससे दुर्भावनापूर्ण डेटा का अवलोकन और संग्रह संभव होता है। इस डेटा का उपयोग NGWAF की पहचान क्षमता को और बेहतर बनाने के लिए किया जा सकता है।

NGWAF कार्रवाई में: SQL इंजेक्शन का पता लगाने पर, NGWAF प्रयास को ड्रॉप या ब्लॉक करने के बजाय हमारे क्वारंटाइन वातावरण पर रीडायरेक्ट करता है।

3. अंतरराष्ट्रीय स्तर पर मान्यता प्राप्त मानकों का अनुपालन

NGWAF के निर्माण के पीछे मार्गदर्शक सिद्धांत ओपन वेब एप्लीकेशन सिक्योरिटी प्रोजेक्ट के मानक जागरूकता दस्तावेज़ - OWASP टॉप 10 2021 से उजागर जोखिमों से बचाव करना है।

प्रशिक्षण डेटा और अनुपालन जाँच इस आवश्यकता के आधार पर एकत्र और संचालित की जाती है।

NGWAF के घटक

1. दिमाग: मशीन-लर्निंग आधारित WAF

जब हम न्यूरल जा सकते हैं तो मैनुअल की क्या ज़रूरत

पारंपरिक नियमसेट के बजाय जिसमें विश्लेषकों को समय के साथ मैन्युअल रूप से नियमों की पहचान और जोड़ने की आवश्यकता होती है, NGWAF पता लगाने के तंत्र के लिए एंड-टू-एंड मशीन लर्निंग पाइपलाइन का लाभ उठाता है, जिससे WAF नियम प्रबंधन की जटिलता बहुत कम हो जाती है, विशेष रूप से जटिल पेलोड का पता लगाने में।

बेस मॉडल

ऐसा करने के लिए, हमें पहले एक बेस मॉडल और आर्किटेक्चर बनाने की आवश्यकता थी जिससे उपयोगकर्ता शुरुआत कर सकें, इससे पहले कि वे बाद में अपने स्वयं के अनुप्रयोगों से एकत्र किए गए डेटा का उपयोग पुनःप्रशिक्षण और फ़ाइन-ट्यूनिंग के लिए करें:

1. हमने विभिन्न सार्वजनिक डेटासेट (1, 2, 3) से दुर्भावनापूर्ण और गैर-दुर्भावनापूर्ण पेलोड एकत्र किए।
2. मैन्युअल रूप से नियमों की पहचान करने के बजाय, हम पिछले दुर्भावनापूर्ण डेटा से पैटर्न सीखने की प्रक्रिया को स्वचालित करने के लिए मशीन और डीप लर्निंग का लाभ उठाते हैं। हमने कई मॉडल आर्किटेक्चर के साथ प्रयोग किया, और हमारे अंतिम मॉडल ने एक आवर्तक तंत्रिका नेटवर्क का उपयोग किया।

बेस मॉडल की सामान्य वास्तुकला एक साधारण RNN है जिसमें एक द्वि-दिशात्मक LSTM मॉड्यूल है जैसा कि नीचे दिखाया गया है:

छवि Tensorflow से ली गई (लिंक)

प्रदर्शन

इस RNN आर्किटेक्चर का उपयोग करके, हम सरल मॉडलों पर प्रदर्शन सुधार प्राप्त करने में सक्षम थे:

मॉडल आर्किटेक्चर	सटीकता	F1 स्कोर
हमारा अंतिम मॉडल	0.995	0.993
LSTM मॉड्यूल के बिना तंत्रिका नेटवर्क	0.956	0.891
निर्णय वृक्ष	0.878	0.840
लॉजिस्टिक रिग्रेशन	0.946	0.914

रखरखाव और पुनःप्रशिक्षण

यद्यपि हमने बेस मॉडल की सामान्यीकरण क्षमता में सुधार करने के लिए विभिन्न अनुप्रयोगों से लॉग शामिल किए हैं, मॉडल का आगे का रखरखाव और पुनःप्रशिक्षण निम्नलिखित के लिए महत्वपूर्ण होगा:

1. उपयोगकर्ता के विशिष्ट एप्लिकेशन से ट्रैफ़िक पर बेहतर प्रदर्शन के लिए मॉडल को ट्यून करें
2. समय के साथ मॉडल के क्षरण को कम करें, क्योंकि खतरे के अभिनेता नए तरीके और अवसर खोजते हैं

इसे संबोधित करने के लिए, NGWAF के उपयोगकर्ता हमारे पैकेज्ड एंड-टू-एंड मॉडल रीट्रेनिंग पाइपलाइन से लाभान्वित होते हैं, और हुड के नीचे खुदाई किए बिना कुछ सरल चरणों के साथ आसानी से मॉडल रखरखाव को ट्रिगर कर सकते हैं। (नीचे अनुभाग 3 देखें)।