CC攻击发展到今天,早已不是单纯的“高并发请求”这么简单。攻击者普遍采用IP伪造、秒拨代理和肉鸡集群,让传统的基于频次统计的防御策略频频失效。真正棘手的问题在于,攻击IP之间往往不是孤立存在的,它们背后隐藏着一张由攻击资源构成的协作网络。你封禁了100个IP,攻击方可能只是从同一个代理池里换上了另外100个。要想从根源上压制攻击,必须跳出单点视角,用图计算的方式去挖掘IP之间的深层关联,把那些看似分散的攻击节点连根拔起。

为什么传统频次策略会失效

在遭遇CC攻击时,运维人员的第一反应通常是拉高单IP的请求速率阈值,或者直接封禁高频访问的IP。这种思路在面对早期的简单HTTP Flood时有效,但现在的攻击脚本智能化程度很高。攻击者会控制每个IP的请求频率,使其恰好低于你的触发阈值。例如,你的规则是“5秒内请求超过20次即封禁”,攻击者就把每个IP的请求控制在5秒内15次。通过海量IP分摊攻击流量,每个IP看起来都像是一个正常用户,但服务器资源依然被耗尽。这种“低频慢速攻击”直接绕过了基于阈值的单点防御。

更深层的问题是,这些攻击IP并不是随机生成的。攻击者通常会购买动态代理池,或者利用僵尸网络。同一个代理池分配给不同攻击节点的IP,往往共享相同的网络属性,比如属于同一个B段、同一个AS号,或者使用了相同的DNS服务器。如果只孤立地看每个IP的访问行为,这些隐藏的共性就会被忽略。只有把这些IP放到一张关系图中,通过图计算进行关联分析,才能发现它们背后那个庞大的攻击基础设施。

图计算在安全分析中的核心逻辑

图计算的核心是把实体抽象为“点”,把实体间的关系抽象为“边”。在CC攻击分析中,IP地址就是点,而IP与IP之间如果存在某种共同特征,就可以连成边。这种共同特征可以非常灵活地定义:访问了相同的URL集合、使用了相同的User-Agent指纹、请求时间戳呈现规律性间隔、来源IP段属于同一个BGP前缀,甚至SSL/TLS握手时携带了相同的JA3指纹。一旦这些边被建立起来,原本孤立的IP就会聚合成一个个紧密连接的子图,也就是社区。攻击IP通常会在某个社区中高度聚集,因为攻击脚本的配置往往是统一分发的,很难做到每个IP都完全异构。

图计算的优势在于它的全局视角。传统的日志分析是一行一行看的,你只能看到每个IP自己做了什么。但在图结构中,一个IP即使自身行为非常收敛,只要它和多个已知的恶意IP共享了大量特征边,它被判定为恶意的概率就会急剧上升。这种基于关联的判定逻辑,本质上是一种“近朱者赤”的推断,它让防御方能够提前发现那些还没有发起高频攻击但已经接入攻击网络的潜伏节点。

构建IP关联图的关键特征工程

要让图计算发挥作用,特征提取是第一步,也是最关键的一步。特征选得好,攻击IP会在图中自然聚集成团;特征选得不好,正常用户和攻击IP就会混杂在一起,难以区分。以下是几个在实战中非常有效的特征维度。

首先是资源访问序列的相似度。正常用户访问网站时,路径跳转通常遵循某种逻辑,比如从首页到列表页再到详情页。而CC攻击为了快速消耗资源,往往会直接请求最耗费数据库查询的搜索接口或者动态页面,甚至是一堆随机拼接的URL。我们可以把每个IP访问过的URL路径去重后形成一个集合,然后计算IP之间URL集合的杰卡德相似系数。如果两个IP的相似系数超过0.8,且它们都在频繁请求高消耗接口,就可以在它们之间建立一条强关联边。

其次是HTTP协议头的堆叠特征。User-Agent、Accept-Language、Referer这些头字段组合起来,可以形成一个高维度的设备指纹。攻击者为了降低成本,通常会给一批代理节点配置相同的请求头模板。即使攻击者修改了User-Agent,但Accept-Encoding、缓存控制头的顺序和格式往往会被忽略。把这些字段拼接后计算哈希值,相同哈希值的IP就可以被连接起来。

第三是网络层的拓扑特征。通过IP库或者BGP数据,可以获取每个IP的归属AS号和地理位置。如果一批IP都集中在某个云服务商的特定可用区,或者都属于某个以“廉价VPS”著称的AS号,那么它们之间的关联权重就应该增加。更进一步,可以利用IP的C段聚合度。正常用户的IP分布通常比较离散,而攻击IP经常出现同一个C段下数十个IP同时发起请求的情况,这种天然的邻接关系可以直接作为图的边。

第四是时间序列的协同性。攻击脚本通常是在控制端的指令下同时启动的,因此一批攻击IP的请求时间曲线会呈现出高度的一致性。可以提取每个IP在每分钟内的请求数,形成时间序列向量,然后计算向量之间的皮尔逊相关系数。相关性高于0.9的IP对,极有可能受控于同一个指令源。

图算法的选型与实战应用

特征提取完成后,会得到一张包含数百万甚至上千万节点的巨型图。接下来需要选择合适的图算法来挖掘其中的恶意社区。最常用的算法是Louvain社区发现算法,它的优点是计算速度快,适合大规模图,而且不需要预先指定社区数量。Louvain算法通过不断优化模块度,把连接紧密的节点划分到同一个社区。在CC攻击场景中,攻击IP因为共享大量特征边,通常会被清晰地划分到一个或几个独立的社区中。

另一种更精细的做法是使用标签传播算法,结合少量的已知标签进行半监督学习。如果你已经通过蜜罐或者手动分析确认了少量攻击IP,可以把这些IP标记为恶意种子。然后让标签在图中沿着边进行传播,传播的权重由边的强度决定。那些与恶意种子连接紧密但尚未被标记的IP,会被自动推断为高风险节点。这种方法可以快速扩展已知情报,发现大量变种IP。

对于需要实时防御的场景,可以引入PageRank的变体算法。把IP作为节点,把请求目标URL作为节点,构建一张二分图。如果一个IP频繁请求那些被少数IP集中攻击的URL,这个IP的恶意得分就会上升。同时,如果一个URL被大量恶意IP请求,这个URL的风险得分也会上升。通过这种相互增强的机制,可以在攻击发生的初期就识别出恶意IP和攻击目标。

下面是一段使用Python和NetworkX库进行简单社区发现的示例代码,展示了如何从访问日志中构建图并提取恶意社区。

import networkx as nx
from collections import defaultdict

# 模拟从日志中提取的IP和其访问的URL集合
ip_urls = {
    "1.1.1.1": {"/api/search", "/api/detail", "/"},
    "2.2.2.2": {"/api/search", "/api/detail", "/login"},
    "3.3.3.3": {"/api/search", "/api/detail"},
    "4.4.4.4": {"/about", "/contact", "/products"},
}

# 构建图
G = nx.Graph()
ips = list(ip_urls.keys())

for i in range(len(ips)):
    for j in range(i+1, len(ips)):
        ip_a, ip_b = ips[i], ips[j]
        urls_a, urls_b = ip_urls[ip_a], ip_urls[ip_b]
        # 计算杰卡德相似系数
        intersection = len(urls_a & urls_b)
        union = len(urls_a | urls_b)
        if union > 0:
            similarity = intersection / union
            # 只有相似度超过阈值才连边
            if similarity > 0.5:
                G.add_edge(ip_a, ip_b, weight=similarity)

# 使用Louvain社区发现
communities = nx.community.louvain_communities(G, weight='weight')

# 输出发现的社区
for idx, community in enumerate(communities):
    print(f"社区 {idx}: {community}")

这段代码的核心思路是通过URL访问集合的相似度来建立IP之间的关联边,然后利用社区发现算法自动把行为相似的IP聚拢。在实际生产环境中,图的规模会大得多,通常需要借助Spark GraphX或者Dgraph这类分布式图计算框架来处理。

关联IP的自动化处置策略

通过图计算识别出恶意社区后,如何处置这些关联IP是一个需要谨慎处理的问题。直接全量封禁可能会误伤正常用户,尤其是在NAT出口或者大型企业代理场景下,一个IP背后可能对应成百上千的真实用户。因此,处置策略需要分层设计。

对于被图算法明确划分到恶意社区且自身行为分数也超过阈值的IP,可以直接加入黑名单进行封禁。对于处于恶意社区边缘、与恶意节点有连接但自身行为尚不明显的IP,应该放入观察名单,进行更严格的挑战验证,比如弹出验证码或者进行浏览器指纹检测。对于社区内部连接极度紧密、几乎形成完全子图结构的IP群组,可以提取它们的共同特征,生成特征级别的拦截规则,而不仅仅是封禁IP。例如,如果某个社区内所有IP的User-Agent都是某个特定字符串,且都请求了同一个高消耗接口,那么可以直接针对这个组合特征进行限速或拦截,这样即使攻击者更换了IP,只要脚本特征不变,依然会被拦截。

此外,还可以利用图计算的结果进行溯源。恶意社区中的节点通常会有一些出度很高的枢纽节点,这些节点可能是攻击者使用的控制服务器或者代理出口。通过分析这些枢纽节点的流量特征和关联域名,可以进一步绘制出攻击基础设施的全貌,为后续的法律溯源或者情报共享提供依据。

图计算分析CC攻击中的关联IP,本质上是把安全防御从“行为识别”升级到了“关系识别”的维度。它不依赖于攻击者使用了多大的流量,而是依赖于攻击资源之间难以掩盖的内在联系。只要攻击者还在批量使用代理池、还在复用脚本配置、还在统一调度僵尸网络,这些IP就必然会在图结构中暴露出明显的社区聚集特性。这种基于关联的检测方法,是目前对抗低频慢速CC攻击最有效的手段之一。