导语 近年来，互联网发展日益迅猛，与此同时，互联网攻击也日益频发。黑客为了不同的目的或利益，经常发起各式各样的网络攻击。网站篡改是黑客攻击的一种。黑客常常出于利益、政治目的，攻破相关网站之后，将网站内容进行修改。本文提出的基于NLP技术的网站篡改检测引擎，致力于快速发现被篡改的网站，降低网站所有者的相关损失。
网页篡改是恶意破坏或更改网页内容，使网站无法正常工作或出现黑客插入的非正常网页内容。根据国家互联网应急中心2020年3月的报告：“境内被篡改网站的数量为 26,029 个，境内被篡改网站数量按地区分布排名前三位的分别是北京市、广东省和山东省。按网站类型统计，被篡改数量最多的是.COM 域名类网站，其多为商业类网站；被篡改的.GOV 域名类网站有 87 个，占境内被篡改网站的比例为 0.3%。”。
2、网站篡改常用手段
网站篡改从手段上分为显式篡改和隐式篡改。显式篡改往往很明显，进入网站直接很醒目，黑客常常是为了炫技或者声明一些自己的主张；隐式篡改一般是在被篡改的网站中插入色情、博彩等非法链接，或者直接在站下插入一些子页面，以帮助黑客牟取非法经济利益。
网站篡改检测当前主要分为两类：
**（1）基于网站服务端的本地检测：**该类方法需要部署在网站的服务器端，常常采用核心内嵌或文件过滤技术，对站点发布的每个网页进行校验检测；
**（2）基于网站的远程检测：**该类方法不需要部署在网站的服务器端，远程通过爬取技术，获取网站内容进行检测，细分为：基于页面历史MD5比对技术、基于DOM树检测技术和基于敏感词检测技术。
本文提出的基于NLP的网站篡改检测引擎本质上是基于敏感词检测，不过在传统方案的基础上，加入了基于BERT的去误报引擎和基于新词发现的敏感词扩充引擎。整体框架如下：
4.1 背景
传统的基于敏感词检测的技术，具有较高的误报率，增加人工运营的工作量。因为其仅仅检测敏感出现与否，却忽略了敏感词出现的上下文。
4.2 思路
采用机器学习模型，结合敏感词出现的上下文，进行判断，提升检测准确率。
4.3 数据准备
正样本：包含敏感词且属于篡改的长度为100的句子
负样本：包含敏感词但属于正常的长度为100的句子
4.4 模型选择过程
4.4.1-LR模型
采用结巴分词对语料进行处理，进而采用one-hot编码后，输入LR模型进行训练。该模型在验证集上的准确率87%左右。通过进行badcase分析，发现该模型能学习到词与词之间的共现性，但是无法学习到相关的位置信息。例如，训练集中，模型学习到文本“打击博彩"是正常内容，所以当验证集中出现“精准打击，博彩网址xxxx.com”时，模型会根据训练集中学习到的知识，将其判断为正常内容。
4.4.2-LSTM模型
为了克服LR模型的取点，充分利用上下文信息，我将结巴分词后的语料，输入LSTM模型进行训练。该模型在验证集上的准确率在93%左右。存在的主要问题是：受数据集大小的限制，该模型无法充分学习到词语间的相似性。比如“抵制色情”和“禁止色情”都是属于正常内容，但模型会因为不清楚“抵制”和“禁止”之间的相似性，而做出误判。
4.4.3-基于单个汉子的BERT模型
2018年底BERT的提出，在NLP各项任务中狂破11项纪录。2019年5月，公司AILAB团队开源了基于200G中文语料的BERT预训练模型。为了解决LSTM模型存在的问题，同时试试BERT模型的威力，我将AILAB团队预训练好的BERT模型，结合自己的数据和场景进行了应用。最终验证集准确率在99%以上。
4.4.4-模型准确率对比
4.5 引擎在真实场景中的检测情况
我们引擎与其他传统引擎在真实扫描197个站点（25281个url）上的结果对比：
从结果可以看出，我们提出的基于BERT的去误报检测引擎，能够大大提升篡改检测的准确性，减少人工运营工作量
5、基于新词发现的敏感词扩充引擎
在第3节的框架图不难看出，敏感词库是基于敏感词进行网站篡改检测的重要组成部分。只有匹配上敏感词的内容，才会进一步被送入基于BERT的去误报引擎中，因此敏感词库的丰富程度在很大程度上决定了整个引擎的检出能力。
然而，传统方法中，敏感词库主要来自于人工运营收集，成本高效率低。为了解决这个问题，本文提出了基于新词发现的敏感词扩充引擎。
基于新词发现的敏感词扩充引擎，核心依据是：“近朱者赤，近墨者黑”，我们可以从已知的敏感文本中，挖掘出新生代的敏感词。
经过调研，我们决定采用基于新词发现算法进行新的敏感词发现。算法核心思想即成词的必要条件：“词频高，词内部紧密，词外部丰富”，算法具体步骤如下：
经过算法发现的第一批新词举例如下：
该账号主要围绕智能化技术如何帮助企业提升网络安全水平展开，内容涉及机器学习、大数据处理等智能化技术在安全领域的实践经验分享，业界领先的产品和前沿趋势的解读分析等。通过分享、交流，推动安全智能的落地、应用。欢迎关注~
