将僵尸网络列入黑名单的传统反应式方法无法适应快速变化的网络攻击环境。自动化和主动的方法来检测和阻止僵尸网络主机将极大地有利于行业。僵尸网络的行为分析被证明是有效的，对各种各样的攻击类型。然而，目前的工作仅仅集中在分析来自和到达机器人的网络流量上。在这项工作中，我们采取不同的方法来分析攻击者在受损主机中输入的命令链。我们已经部署了几个蜜罐来模拟Linux shell，并允许攻击者访问shell以收集大量命令数据集。我们进一步开发了一种自动化机制来分析这些数据。为了实现自动化，我们开发了一个名为CYBEX-P（Cybersecurity information Exchange with Privacy）的系统。最后，我们对数据集进行了顺序分析，以表明我们可以成功地从shell命令预测攻击者行为，而无需像以前的工作那样分析网络流量。
英文摘要：
Traditional reactive approach of blacklisting botnets fails to adapt to the rapidly evolving landscape of cyberattacks. An automated and proactive approach to detect and block botnet hosts will immensely benefit the industry. Behavioral analysis of botnet is shown to be effective against a wide variety of attack types. Current works, however, focus solely on analyzing network traffic from and to the bots. In this work we take a different approach of analyzing the chain of commands input by attackers in a compromised host. We have deployed several honeypots to simulate Linux shells and allowed attackers access to the shells to collect a large dataset of commands. We have further developed an automated mechanism to analyze these data. For the automation we have developed a system called CYbersecurity information Exchange with Privacy (CYBEX-P). Finally, we have done a sequential analysis on the dataset to show that we can successfully predict attacker behavior from the shell commands without analyzing network traffic like previous works.
DeepC2: AI-powered Covert Command and Control on OSNs
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Cyberspace Institute of Advanced Technology, Guangzhou University（广州大学网络空间先进技术研究院）
指挥和控制（C&C）在攻击中非常重要。它将攻击者的命令传输给受感染主机中的恶意软件。目前，一些攻击者在C&C任务中使用在线社交网络（OSN）。OSN上的C&C存在两个主要问题。首先，恶意软件找到攻击者的过程是可逆的。如果防御者分析了恶意软件样本，攻击者将在发布命令之前暴露。第二，明文或加密形式的命令被OSN视为异常内容，这将引起异常并触发对攻击者的限制。防御者一旦暴露就可以限制攻击者。在这项工作中，我们提出了DeepC2，一个基于人工智能的C&C on OSN，来解决这些问题。对于可逆硬编码，恶意软件使用神经网络模型找到攻击者。攻击者的化身被转换成一批特征向量，防御者无法使用模型和特征向量预先恢复化身。为了解决OSN上的异常内容，使用哈希冲突和文本数据增强将命令嵌入到正常内容中。在Twitter上的实验表明，嵌入命令的推文可以有效地生成。恶意软件可以在OSN上隐蔽地找到攻击者。安全分析表明，很难提前恢复攻击者的标识符。
Alexa versus Alexa: Controlling Smart Speakers by Self-Issuing Voice Commands
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
我们介绍了Alexa vs. Alexa（AvA），这是一种新型攻击，它利用包含语音命令和音频再现方法的音频文件，以攻击性的方式长时间控制Amazon Echo设备。AvA利用了在Echo设备上运行的Alexa正确解释源自音频文件的语音命令的事实，即使它们是由设备本身播放的-即，它利用了命令自发布漏洞。因此，AvA消除了在受害者的Echo附近有流氓扬声器的必要性，这是许多攻击共享的约束。使用AvA，攻击者可以自行向Echo发出任何允许的命令，代表合法用户控制它。我们已经证实，通过AvA，攻击者可以控制家庭内的智能设备，购买不需要的物品，篡改链接的日历并窃听用户。我们还发现了另外两个Echo漏洞，我们称之为Full Volume和Break Tag Chain。Full Volume提高了自发布命令的识别率，平均提高了一倍，因此允许攻击者执行额外的自发布命令。打破标签链增加了技能在没有用户交互的情况下运行的时间，从8秒增加到1小时以上，从而使攻击者能够设置逼真的社交工程场景。通过利用这些漏洞，攻击者可以自行发出99%正确执行的命令，并可以长时间控制设备。我们通过亚马逊的漏洞研究计划向亚马逊报告了这些漏洞，亚马逊将其评为中等严重性分数。最后，为了在更大范围内评估AvA的局限性，我们提供了对18名用户的研究组进行的调查结果，我们发现大多数针对AvA的限制在实践中几乎没有使用。
A Blind Trust, the Bloody Thrust: When Attacker-Controlled Hook Updates Steer AI Agent Harnesses towards Malicious Behaviors
Beijing University of Posts and Telecommunications（北京邮电大学）；Data Technology Support Center of the Cyberspace Administration of China（中央网络安全和信息化委员会办公室数据技术支持中心）；Beihang University（北京航空航天大学）；Zhejiang University（浙江大学）
