隨著大數(shù)據(jù)技術(shù)的日益成熟，圍繞大數(shù)據(jù)的應(yīng)用呈現(xiàn)出了多種多樣的特點(diǎn)，使得大數(shù)據(jù)的流轉(zhuǎn)更加錯(cuò)綜復(fù)雜，導(dǎo)致了數(shù)據(jù)暴露出更大的受攻擊面。同時(shí)，大數(shù)據(jù)在全生命周期過程中呈現(xiàn)出了類型動態(tài)化、等級多樣化、權(quán)屬復(fù)雜化、使用實(shí)時(shí)化等特點(diǎn)，這些特點(diǎn)都導(dǎo)致了大數(shù)據(jù)環(huán)境下的安全威脅攻擊手段多樣化，攻擊程序不斷更新迭代，使得大數(shù)據(jù)在全生命周期過程中被竊取、被濫用、被篡改的風(fēng)險(xiǎn)不斷增大。傳統(tǒng)的安全手段及體系呈現(xiàn)出的單點(diǎn)、靜態(tài)、被動防護(hù)的特點(diǎn)已不能有效應(yīng)對大數(shù)據(jù)環(huán)境下的安全威脅。在這種趨勢的推動下，安全防御思想正在從“以網(wǎng)絡(luò)為中心”向“以數(shù)據(jù)為中心”轉(zhuǎn)變，安全防御體系正在從單點(diǎn)、靜態(tài)、被動防護(hù)向全面、動態(tài)、主動防護(hù)轉(zhuǎn)變。

在圍繞大數(shù)據(jù)全生命周期安全的主動防御體系中，主動防御所需采集數(shù)據(jù)的種類多、數(shù)據(jù)量大，應(yīng)盡量減少對采集系統(tǒng)資源的占用率，不影響被防御對象系統(tǒng)的正常運(yùn)行，因此，數(shù)據(jù)采集效率對整個(gè)防御體系的準(zhǔn)確性、實(shí)時(shí)性和高效性至關(guān)重要。

針對上述問題，特別是面向大數(shù)據(jù)分析應(yīng)用場景，本文提出了一種面向大數(shù)據(jù)主動防御的低損耗數(shù)據(jù)采集方法。該方法采用無代理帶外采集方式，結(jié)合虛擬機(jī)內(nèi)省機(jī)制，從大數(shù)據(jù)分析節(jié)點(diǎn)中的虛擬機(jī)外部對虛擬機(jī)內(nèi)部的數(shù)據(jù)進(jìn)行采集，僅采集安全防御所需數(shù)據(jù)，不僅提高了數(shù)據(jù)采集的效率，而且有效降低了大數(shù)據(jù)分析節(jié)點(diǎn)網(wǎng)絡(luò)資源和虛擬機(jī)計(jì)算資源的占用率，從而實(shí)現(xiàn)低損高效的數(shù)據(jù)采集目的。

一、主動防御系統(tǒng)數(shù)據(jù)采集架構(gòu)

大數(shù)據(jù)主動防御系統(tǒng)數(shù)據(jù)采集架構(gòu)如圖1所示。

圖1　大數(shù)據(jù)主動防御系統(tǒng)數(shù)據(jù)采集架構(gòu)

在一個(gè)典型的面向大數(shù)據(jù)環(huán)境下的主動安全防御系統(tǒng)中的采集系統(tǒng)主要包括三類數(shù)據(jù)：網(wǎng)絡(luò)、終端、大數(shù)據(jù)分析節(jié)點(diǎn)。目前，針對大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)和終端的數(shù)據(jù)采集技術(shù)相對成熟。網(wǎng)絡(luò)流量主要以探針的方式進(jìn)行數(shù)據(jù)采集，采集技術(shù)主要有：基于SNMP的采集技術(shù)、基于流的采集技術(shù)和基于數(shù)據(jù)包抓取的采集技術(shù)；終端主要以代理或探針方式進(jìn)行數(shù)據(jù)采集，終端采集代理或探針主要通過輕量化軟件容器實(shí)現(xiàn)；大數(shù)據(jù)分析節(jié)點(diǎn)由于部署在虛擬機(jī)上，數(shù)據(jù)采集方式以帶內(nèi)采集方式為主，該方式的典型做法是基于主機(jī)的入侵檢測系統(tǒng)，由中心采集程序和植入虛擬機(jī)的代理程序組成，是一種松耦合的方法。帶內(nèi)采集方式由于使用了采集程序和代理，會占用一定的虛擬機(jī)資源，占用量高時(shí)會嚴(yán)重影響到虛擬機(jī)的正常運(yùn)行，而且更易于被攻擊和被繞過而導(dǎo)致數(shù)據(jù)采集失敗，這些問題都會嚴(yán)重影響主動防御系統(tǒng)的響應(yīng)效率和防御效能，甚至導(dǎo)致防御失敗。

針對這些問題，本文提出了一種高效低損的數(shù)據(jù)采集方法，該方法基于虛擬機(jī)內(nèi)省技術(shù)，通過虛擬機(jī)監(jiān)控層從外部對虛擬機(jī)內(nèi)部進(jìn)行選擇性的數(shù)據(jù)采集和監(jiān)控，實(shí)現(xiàn)了高效低損的采集效果。同時(shí)，由于帶外采集對虛擬機(jī)內(nèi)部是透明的，虛擬機(jī)內(nèi)部無法感知到帶外監(jiān)控程序，因此本方法還具有更高的安全性。

二、基于虛擬化的數(shù)據(jù)采集技術(shù)

在大數(shù)據(jù)系統(tǒng)部署的過程中，為了實(shí)現(xiàn)高效的計(jì)算和存儲能力，一般大數(shù)據(jù)計(jì)算集群和存儲集群分開部署，將計(jì)算集群部署在云計(jì)算平臺上，在這種部署情況下，為了實(shí)現(xiàn)大數(shù)據(jù)環(huán)境下的主動防御能力，需要對計(jì)算集群進(jìn)行高效的數(shù)據(jù)采集和分析。在虛擬化環(huán)境下，從數(shù)據(jù)采集實(shí)現(xiàn)技術(shù)的角度看，采集方法主要有兩種：帶內(nèi)采集（In-band）和帶外采集（Out-of-band）。

帶內(nèi)采集是指從虛擬機(jī)內(nèi)部進(jìn)行數(shù)據(jù)采集。如圖2所示，該方法主要通過在虛擬機(jī)中加載代理模塊攔截虛擬機(jī)內(nèi)部事件來實(shí)現(xiàn)。該方法的優(yōu)點(diǎn)在于事件攔截是在虛擬機(jī)內(nèi)部，可以直接獲取操作系統(tǒng)語義，獲取的語義精準(zhǔn)且不需要進(jìn)行語義重構(gòu)，因此減少了性能開銷；缺點(diǎn)是容易遭受惡意軟件的攻擊和控制，容易成為新的安全隱患點(diǎn)，而且代理模塊采用加載的方式容易被用戶終止而輕松繞過。

圖2　帶內(nèi)采集（In-band）

帶外采集是指從虛擬機(jī)外部，在虛擬機(jī)管理器中對虛擬機(jī)中的事件進(jìn)行攔截，從而實(shí)現(xiàn)對虛擬機(jī)數(shù)據(jù)的采集。由于帶外采集是在虛擬機(jī)管理器中執(zhí)行，位于目標(biāo)虛擬機(jī)的底層，可將數(shù)據(jù)采集單元與目標(biāo)虛擬機(jī)隔離開來，數(shù)據(jù)采集對目標(biāo)虛擬機(jī)是不可感知的，因此增強(qiáng)了數(shù)據(jù)采集單元的安全性。與帶內(nèi)采集相比，帶外采集具有更高的安全性，但其存在虛擬機(jī)內(nèi)部的真實(shí)狀態(tài)與虛擬機(jī)外部抽取信息之間的語義鴻溝問題，也就是如何將從外部抽取的低層信息（寄存器值、系統(tǒng)調(diào)用、I/O請求等）轉(zhuǎn)譯成高層信息（進(jìn)程、文件等）。如圖3所示，這種從虛擬機(jī)外部監(jiān)控虛擬機(jī)內(nèi)部的方法稱為虛擬機(jī)內(nèi)省（virtual machine introspection，VMI）。

圖3　帶外采集（Out-of-band）

三、低損耗數(shù)據(jù)采集方法

通過結(jié)合帶內(nèi)和帶外數(shù)據(jù)采集方法的優(yōu)點(diǎn)，本文提出了一種基于虛擬機(jī)內(nèi)省機(jī)制，面向大數(shù)據(jù)主動防御的低損耗數(shù)據(jù)采集方法。

1.基于虛擬機(jī)內(nèi)省的數(shù)據(jù)采集框架

本方法的主要思路是采用虛擬機(jī)內(nèi)省技術(shù)在虛擬機(jī)監(jiān)控器中設(shè)計(jì)數(shù)據(jù)采集監(jiān)控模塊，通過監(jiān)控模塊從虛擬機(jī)外部對虛擬機(jī)內(nèi)部信息進(jìn)行采集，為了避免語義鴻溝問題，設(shè)計(jì)一個(gè)采集注入模塊，在虛擬機(jī)啟動時(shí)，通過將采集代碼注入目標(biāo)虛擬機(jī)內(nèi)存中，按照采集策略對所需數(shù)據(jù)安全信息進(jìn)行采集，因此無須進(jìn)行語義轉(zhuǎn)換。低損耗數(shù)據(jù)采集方法的整體技術(shù)框架如圖4所示。

圖4　基于虛擬機(jī)內(nèi)省的數(shù)據(jù)采集框架

低損耗數(shù)據(jù)采集方法主要包括四個(gè)部分：策略設(shè)置模塊、數(shù)據(jù)采集模塊、采集注入模塊和采集注入代碼。其工作流程說明如下：

Step1：虛擬機(jī)啟動時(shí)，虛擬機(jī)監(jiān)控器通過采集注入模塊將采集代碼以無感方式注入目標(biāo)虛擬機(jī)的非換頁內(nèi)存中，保證代碼不會被換出；

Step2：在虛擬機(jī)運(yùn)行過程中，數(shù)據(jù)采集監(jiān)控服務(wù)平臺管理員設(shè)置目標(biāo)虛擬機(jī)的數(shù)據(jù)采集策略，采集策略管理模塊將制定好的策略下發(fā)至虛擬機(jī)監(jiān)控器的策略設(shè)置模塊；

Step3：策略管理模塊通過采集注入模塊將策略下發(fā)至目標(biāo)虛擬機(jī)的采集注入代碼中；

Step4：采集注入代碼根據(jù)策略，采集進(jìn)程、文件操作、磁盤訪問等信息；

Step5：采集注入代碼將采集的信息定時(shí)或按照一定的數(shù)據(jù)量發(fā)送給數(shù)據(jù)采集模塊；

Step6：數(shù)據(jù)采集模塊將采集數(shù)據(jù)進(jìn)行清洗后，按照標(biāo)準(zhǔn)格式發(fā)送給數(shù)據(jù)采集監(jiān)控服務(wù)平臺。

 數(shù)據(jù)采集監(jiān)控服務(wù)平臺將接收到的采集數(shù)據(jù)進(jìn)行數(shù)據(jù)處理和數(shù)據(jù)分析，將發(fā)現(xiàn)的數(shù)據(jù)和進(jìn)程異常行為及時(shí)上報(bào)主動防御系統(tǒng)，主動防御系統(tǒng)根據(jù)接收到的威脅信息調(diào)整防御策略并進(jìn)行相應(yīng)的協(xié)同防御。

2.數(shù)據(jù)采集優(yōu)化

數(shù)據(jù)采集模塊位于虛擬機(jī)監(jiān)控器，利用虛擬機(jī)內(nèi)省機(jī)制（LibVMI）實(shí)現(xiàn)虛擬機(jī)內(nèi)部數(shù)據(jù)的外部采集。LibVMI是美國佐治亞理工學(xué)院的Payne等設(shè)計(jì)的一套開源內(nèi)省工具庫，如圖5所示，該工具不需要對虛擬機(jī)監(jiān)視器進(jìn)行修改，而是直接利用虛擬機(jī)監(jiān)視器提供的接口對虛擬機(jī)底層信息（進(jìn)程頁表、內(nèi)存映射等）進(jìn)行重構(gòu)，獲取虛擬機(jī)高層信息（進(jìn)程信息、內(nèi)核數(shù)據(jù)），從而實(shí)現(xiàn)監(jiān)控虛擬機(jī)的行為和狀態(tài)，這種方法對虛擬機(jī)影響最小。

圖5　數(shù)據(jù)采集模塊

基于虛擬機(jī)內(nèi)省機(jī)制的LibVMI也存在語義鴻溝問題，為了避免該問題，本方法設(shè)計(jì)了采集注入代碼模塊，該模塊在虛擬機(jī)啟動時(shí)以無感的方式通過采集注入模塊注入虛擬機(jī)非換頁內(nèi)存區(qū)域中，通過注入代碼直接采集虛擬機(jī)的高級信息，因此不需要進(jìn)行語義轉(zhuǎn)換，從而解決了資源消耗問題。同時(shí)，為了提高數(shù)據(jù)采集效率，并進(jìn)一步減小對目標(biāo)虛擬機(jī)內(nèi)存的占用率，對采集注入代碼進(jìn)行了優(yōu)化，設(shè)計(jì)了一種閾值綜合判定規(guī)則，該規(guī)則綜合考慮了采集時(shí)間（C）和資源占用率（S）兩個(gè)因素，資源占用率的閾值（T）一般為目標(biāo)虛擬機(jī)內(nèi)存的1%，該閾值可根據(jù)用戶需要進(jìn)行設(shè)定，采集時(shí)間間隔（I）由管理員設(shè)定，按照資源優(yōu)先原則，首先判斷資源占用率，如果S＞T，則數(shù)據(jù)輸出，否則，如果C＞I，則數(shù)據(jù)輸出。

通過上述的優(yōu)化過程，從系統(tǒng)層面到采集實(shí)施層面均對整體數(shù)據(jù)采集進(jìn)行了優(yōu)化，保障了采集效率和效果的有效權(quán)衡。

四、效果分析

實(shí)驗(yàn)采用服務(wù)器配置：

CPU：Intel Xeon E5-2630 2.4 GHz

內(nèi)存：64 GB

硬盤：2 TB

操作系統(tǒng)：CentOS 7.2 64位

軟件：yum、libvirt、qemu-kvm、LibVMI

采集數(shù)據(jù)如表1所示。

表1　采集數(shù)據(jù)表

1. 采集效率

本文設(shè)計(jì)的數(shù)據(jù)采集優(yōu)化方法采用了內(nèi)存注入代碼方式，可直接從目標(biāo)虛擬機(jī)內(nèi)部采集數(shù)據(jù)，經(jīng)過測試，通過對數(shù)據(jù)采集1 000次并取平均值計(jì)算，數(shù)據(jù)采集時(shí)間為0.002 s，而采用代理程序方式的采集時(shí)間為0.6 s，采集效率提升了100倍，實(shí)現(xiàn)了高效的數(shù)據(jù)采集能力。

2. 采集效果

通過測試，在目標(biāo)虛擬機(jī)內(nèi)存占用率方面，本文方法內(nèi)存占用量為56 KB，采集代理程序內(nèi)存占用量為1.2 MB，在內(nèi)存占用量上減少了95%；測試采集9 MB數(shù)據(jù)，目標(biāo)虛擬機(jī)內(nèi)存為1 GB，本文方法內(nèi)存占用量為9.056 MB，內(nèi)存占用率小于1%，而采集代理程序內(nèi)存占用量為10.2 MB，內(nèi)存占用率大于1%，說明在采集相同數(shù)據(jù)量的情況下，本文方法具有更低的資源占用量，保障了目標(biāo)虛擬機(jī)的高效運(yùn)行。同時(shí)，采集的數(shù)據(jù)可根據(jù)采集策略進(jìn)行采集，故可根據(jù)防御的需求隨時(shí)更改采集的數(shù)據(jù)內(nèi)容，保障采集內(nèi)容的完備性，并可根據(jù)需要設(shè)定采集時(shí)間間隔，可動態(tài)滿足主動防御需求。

通過實(shí)驗(yàn)分析，本方法從采集效率和效果上均達(dá)到了一種高效、低損的數(shù)據(jù)采集能力。

五、  結(jié)　語

本文圍繞大數(shù)據(jù)全生命周期安全的主動防御體系對數(shù)據(jù)采集的準(zhǔn)確性、實(shí)時(shí)性和高效性的需求，設(shè)計(jì)了一種基于虛擬機(jī)內(nèi)省機(jī)制的高效低損的數(shù)據(jù)采集方法。該方法結(jié)合了帶內(nèi)采集和帶外采集的優(yōu)點(diǎn)，從主動防御系統(tǒng)的整體出發(fā)，從采集效果和采集效率上對采集模塊進(jìn)行了優(yōu)化，保證了數(shù)據(jù)采集的完備性和高效性，通過虛擬機(jī)內(nèi)省機(jī)制和資源占用閾值的設(shè)定，保障了對虛擬機(jī)本身資源占用率的最小化。本文設(shè)計(jì)的方法為大數(shù)據(jù)主動防御系統(tǒng)的構(gòu)建提供了良好的支撐。