maj sql des vues
This commit is contained in:
toto
224
docs/detection.md
Normal file
224
docs/detection.md
Normal file
@ -0,0 +1,224 @@
|
||||
# Architecture de détection — logcorrelator
|
||||
|
||||
## Vue d'ensemble
|
||||
|
||||
Le système de détection est composé de **trois couches** qui s'enchaînent en pipeline :
|
||||
|
||||
```
|
||||
Trafic HTTP/TLS capturé
|
||||
│
|
||||
▼
|
||||
┌───────────────────┐
|
||||
│ ClickHouse │ Stockage, agrégation, vues heuristiques
|
||||
│ (SQL pipeline) │
|
||||
└────────┬──────────┘
|
||||
│
|
||||
▼
|
||||
┌───────────────────┐
|
||||
│ bot_detector.py │ Modèle IA (Isolation Forest, cycle 5 min)
|
||||
│ (Python / ML) │
|
||||
└────────┬──────────┘
|
||||
│
|
||||
▼
|
||||
┌───────────────────┐
|
||||
│ ml_detected_ │ Table de résultats (ReplacingMergeTree)
|
||||
│ anomalies │
|
||||
└───────────────────┘
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 1. Ingestion des logs (`http_logs_raw` → `http_logs`)
|
||||
|
||||
Les logs bruts arrivent en JSON dans la table `http_logs_raw`. Une **vue matérialisée** (`mv_http_logs`) les parse en temps réel et alimente la table `http_logs`, qui contient les champs structurés suivants :
|
||||
|
||||
| Catégorie | Champs clés |
|
||||
|---|---|
|
||||
| Réseau | `src_ip`, `src_port`, `dst_ip`, `dst_port` |
|
||||
| Enrichissement | `src_asn`, `src_country_code`, `src_as_name` (via dictionnaire IPLocate) |
|
||||
| HTTP | `method`, `host`, `path`, `query`, `http_version` |
|
||||
| Corrélation | `correlated`, `orphan_side`, `conn_id`, `keepalives` |
|
||||
| Métadonnées IP | `ip_meta_ttl`, `ip_meta_id`, `ip_meta_df`, `ip_meta_total_length` |
|
||||
| Métadonnées TCP | `tcp_meta_window_size`, `tcp_meta_mss`, `tcp_meta_window_scale`, `tcp_meta_options` |
|
||||
| TLS / Fingerprint | `tls_version`, `tls_sni`, `tls_alpn`, `ja3`, `ja3_hash`, `ja4` |
|
||||
| En-têtes HTTP | `header_user_agent`, `header_sec_ch_ua*`, `header_sec_fetch_*`, … |
|
||||
|
||||
L'enrichissement IP est réalisé via le dictionnaire `dict_iplocate_asn` (fichier CSV chargé en mémoire, rechargé toutes les 1-2 heures).
|
||||
|
||||
---
|
||||
|
||||
## 2. Agrégation comportementale (fenêtre horaire)
|
||||
|
||||
Deux tables d'agrégation `AggregatingMergeTree` sont alimentées en continu par des vues matérialisées.
|
||||
|
||||
### 2.1 `agg_host_ip_ja4_1h` — Comportement réseau & applicatif
|
||||
|
||||
Agrège par triplet **(window_start, src_ip, ja4, host)** toutes les heures :
|
||||
|
||||
| Métrique agrégée | Signification |
|
||||
|---|---|
|
||||
| `hits` | Nombre total de requêtes |
|
||||
| `count_post` | Requêtes POST |
|
||||
| `uniq_paths` | Chemins distincts visités |
|
||||
| `uniq_query_params` | Paramètres de query distincts |
|
||||
| `unique_src_ports` | Ports sources distincts |
|
||||
| `unique_conn_id` | Connexions TCP distinctes |
|
||||
| `max_keepalives` | Réutilisation maximale d'une connexion |
|
||||
| `orphan_count` | Requêtes sans corrélation TCP complète |
|
||||
| `ip_id_zero_count` | Paquets avec IP ID = 0 (spoofing potentiel) |
|
||||
| `tcp_fp_raw` | Hash de l'empreinte TCP (window, MSS, scale, options) |
|
||||
| `tcp_jitter_variance` | Variance du délai SYN→ClientHello (jitter TLS) |
|
||||
| `total_ip_length_var` | Variance de la taille des paquets IP |
|
||||
| `mss_1460_count` | Requêtes avec MSS = 1460 (signature Ethernet/desktop) |
|
||||
|
||||
### 2.2 `agg_header_fingerprint_1h` — Empreinte des en-têtes HTTP
|
||||
|
||||
Agrège par **(window_start, src_ip)** :
|
||||
|
||||
| Métrique | Signification |
|
||||
|---|---|
|
||||
| `header_order_hash` | Hash de l'ordre des en-têtes (fingerprint JA4H) |
|
||||
| `header_count` | Nombre d'en-têtes distincts |
|
||||
| `has_accept_language` | Présence de `Accept-Language` |
|
||||
| `has_cookie` | Présence de `Cookie` |
|
||||
| `has_referer` | Présence de `Referer` |
|
||||
| `modern_browser_score` | Score 0/50/100 selon présence UA et `Sec-CH-UA` |
|
||||
| `ua_ch_mismatch` | Incohérence entre `User-Agent` et `Sec-CH-UA-Platform` |
|
||||
| `sec_fetch_mode/dest` | Contexte de navigation déclaré |
|
||||
|
||||
---
|
||||
|
||||
## 3. Exclusions (listes blanches)
|
||||
|
||||
Avant toute analyse, deux tables permettent d'**exclure les robots légitimes** connus :
|
||||
|
||||
- `bot_ip` (fichier `bot_ip.csv`) — IPs à ignorer (crawlers, monitoring…)
|
||||
- `bot_ja4` (fichier `bot_ja4.csv`) — Fingerprints JA4 à ignorer
|
||||
- `ref_bot_networks` — Réseaux CIDR IPv4/IPv6 catégorisés (légitimes ou malveillants)
|
||||
|
||||
Ces exclusions sont appliquées dans la vue `view_ai_features_1h`.
|
||||
|
||||
---
|
||||
|
||||
## 4. Vue IA : `view_ai_features_1h`
|
||||
|
||||
Cette vue consolidée **sur 24 heures glissantes** calcule les **28 features** passées au modèle ML. Elle joint les deux tables d'agrégation et dérive les métriques suivantes :
|
||||
|
||||
| Feature | Calcul | Signal détecté |
|
||||
|---|---|---|
|
||||
| `hit_velocity` | `hits / durée_en_secondes` | Volume de requêtes anormalement élevé |
|
||||
| `fuzzing_index` | `uniq_query_params / uniq_paths` | Exploration paramétrique (fuzzing) |
|
||||
| `post_ratio` | `count_post / hits` | Soumission de formulaires en masse |
|
||||
| `port_exhaustion_ratio` | `unique_src_ports / hits` | Rotation de ports (scan) |
|
||||
| `orphan_ratio` | `orphan_count / hits` | Requêtes sans handshake complet |
|
||||
| `ip_id_zero_ratio` | `ip_id_zero_count / hits` | Spoofing d'adresse IP |
|
||||
| `multiplexing_efficiency` | `hits / unique_conn_id` | Réutilisation des connexions (H2/H3) |
|
||||
| `true_window_size` | `tcp_win * 2^tcp_scale` | Taille réelle de la fenêtre TCP |
|
||||
| `window_mss_ratio` | `tcp_win / tcp_mss` | Cohérence TCP stack |
|
||||
| `tcp_jitter_variance` | Variance SYN→ClientHello | Irrégularité du timing TLS |
|
||||
| `alpn_http_mismatch` | ALPN=h2 mais HTTP/1.1 | Négociation TLS mensongère |
|
||||
| `is_alpn_missing` | ALPN absent ou `00` | Client non-standard |
|
||||
| `sni_host_mismatch` | SNI ≠ Host header | Proxy transparent / bot |
|
||||
| `mss_mobile_mismatch` | MSS=1460 + score navigateur élevé | Client mobile simulé depuis desktop |
|
||||
| `is_fake_navigation` | `sec_fetch_mode=navigate` mais `sec_fetch_dest≠document` | Navigation simulée |
|
||||
| `tcp_shared_count` | Nb d'IPs partageant la même empreinte TCP | Infrastructure partagée / botnet |
|
||||
| `header_order_shared_count` | Nb d'IPs partageant le même ordre d'en-têtes | Outil automatisé commun |
|
||||
|
||||
---
|
||||
|
||||
## 5. Modèle IA : Isolation Forest (`bot_detector.py`)
|
||||
|
||||
### Cycle d'exécution
|
||||
|
||||
Le service tourne en boucle avec un **cycle de 5 minutes** :
|
||||
|
||||
```
|
||||
fetch_and_analyze()
|
||||
│
|
||||
├─ Requête SELECT * FROM view_ai_features_1h
|
||||
│
|
||||
├─ Nettoyage des données (fillna)
|
||||
│
|
||||
├─ Dual-Model routing :
|
||||
│ ├─ [Complet] correlated=1 → 23 features (réseau + TLS + headers)
|
||||
│ └─ [Applicatif] correlated=0 → 19 features (headers + comportement)
|
||||
│
|
||||
└─ INSERT INTO ml_detected_anomalies
|
||||
```
|
||||
|
||||
### Paramétrage du modèle
|
||||
|
||||
| Paramètre | Valeur | Signification |
|
||||
|---|---|---|
|
||||
| `n_estimators` | 200 | Nombre d'arbres d'isolation |
|
||||
| `contamination` | 0.2% | Proportion de bots attendue dans le trafic |
|
||||
| `seuil de score` | < -0.05 | Score en dessous duquel une session est marquée anomalie |
|
||||
| `volume minimum` | 500 sessions | En dessous, le modèle est ignoré (trop peu de données) |
|
||||
|
||||
### Dual-Model routing
|
||||
|
||||
Le trafic est **séparé en deux populations** selon le champ `correlated` :
|
||||
|
||||
- **Modèle Complet** (`correlated=1`) : la corrélation TCP↔HTTP est disponible → les features réseau (TTL, jitter TLS, ALPN, SNI) sont fiables et ajoutées à l'analyse.
|
||||
- **Modèle Applicatif** (`correlated=0`) : seule la couche HTTP est disponible → l'analyse se concentre sur le comportement applicatif (headers, paths, POST ratio…).
|
||||
|
||||
---
|
||||
|
||||
## 6. Vues heuristiques statiques
|
||||
|
||||
En parallèle du modèle IA, cinq vues SQL fournissent des **détections déterministes** sans ML, sur fenêtre 24h :
|
||||
|
||||
| Vue | Règle de détection |
|
||||
|---|---|
|
||||
| `view_host_ip_ja4_rotation` | IP avec ≥ 5 fingerprints JA4 distincts et > 100 requêtes → rotation d'identité |
|
||||
| `view_host_ja4_anomalies` | Fingerprint JA4 vu depuis ≥ 20 IPs sur ≥ 3 hôtes → outil de scan distribué |
|
||||
| `view_form_bruteforce_detected` | ≥ 10 query params distincts et ≥ 20 hits → brute-force de formulaire |
|
||||
| `view_alpn_mismatch_detected` | HTTP/1.1 avec ALPN h2 ou h3 et ≥ 10 hits → négociation TLS frauduleuse |
|
||||
| `view_tcp_spoofing_detected` | TTL ≤ 64 avec User-Agent Windows ou iPhone → empreinte OS incohérente |
|
||||
|
||||
---
|
||||
|
||||
## 7. Résultats : `ml_detected_anomalies`
|
||||
|
||||
Les anomalies détectées sont stockées dans une table `ReplacingMergeTree(detected_at)` avec **TTL 30 jours**. La clé d'ordre `(src_ip, ja4, host)` garantit que chaque triplet ne conserve que la **détection la plus récente** (dédoublonnage automatique).
|
||||
|
||||
Chaque enregistrement contient :
|
||||
- Les scores et features ayant conduit à la détection
|
||||
- Le champ `reason` : texte lisible avec score, vélocité, et indice de fuzzing
|
||||
- Le champ `is_headless` : déduit de l'incohérence `sec_fetch_mode`
|
||||
|
||||
---
|
||||
|
||||
## 8. Schéma de flux complet
|
||||
|
||||
```
|
||||
┌─────────────────────────────────────┐
|
||||
│ http_logs_raw (JSON) │
|
||||
└──────────────┬──────────────────────┘
|
||||
│ mv_http_logs (MV)
|
||||
▼
|
||||
┌─────────────────────────────────────┐
|
||||
│ http_logs (parsée) │
|
||||
└────────┬──────────────┬─────────────┘
|
||||
│ │
|
||||
mv_agg_host_ip_ja4 │ │ mv_agg_header_fingerprint
|
||||
▼ ▼
|
||||
┌──────────────────┐ ┌──────────────────────────┐
|
||||
│ agg_host_ip_ja4 │ │ agg_header_fingerprint │
|
||||
│ _1h │ │ _1h │
|
||||
└────────┬─────────┘ └──────────┬──────────────┘
|
||||
│ │
|
||||
└──────────┬─────────────┘
|
||||
│ view_ai_features_1h (JOIN + calculs)
|
||||
▼
|
||||
┌─────────────────────────────────────┐
|
||||
│ bot_detector.py (Isolation Forest) │
|
||||
│ Cycle : 5 min | Fenêtre : 24h │
|
||||
└──────────────┬──────────────────────┘
|
||||
│
|
||||
▼
|
||||
┌─────────────────────────────────────┐
|
||||
│ ml_detected_anomalies │
|
||||
│ (ReplacingMergeTree, TTL 30j) │
|
||||
└─────────────────────────────────────┘
|
||||
```
|
||||
Reference in New Issue
Block a user