在目前的技术条件下，精准Webshell检测还是一项非常复杂事情，在各厂商举办的各个安全挑战活动中，如sql注入挑战、命令执行挑战等。经常会有无法绕过的情况。

但是各个webshell检测挑战赛中确从来没有出现过无法绕过的情况。看排行榜经常是几十上百的绕过样本。

以下是Webshell检测的一些难点：

1. 多语言：Webshell的种类非常多样化，根据web环境的不同，webshell的语言包括PHP、ASP、ASP.NET、JSP等等。不同类型的语言具有不同的特征和语法，以及不同的语言特性，不同的语言版本又具有不同的语法特性，比如php5和php7。jdk8和jdk18的很多语法差别就很大。这样对webshell的引擎检测的语法解析兼容性就提出了很高的要求。

2. 加密和混淆：攻击者可以使用各种加密和混淆技术来隐藏Webshell的代码，包括字符串加密、代码混淆、反射、压缩等等。这些技术使得Webshell的代码难以被检测出来，需要使用专门的技术进行解密和分析。

昆吾进行了深度优化，内置了模糊规则、污点分析模拟执行、机器学习三种高效的检测策略。

检测流程

首先，模糊规则对待检测文件进行快速初步筛查，迅速判断文件是否为恶意文件。如果确定为恶意文件，则直接将其标记为恶意。反之，模糊规则会评估是否需要对文件进行深度检测。如果需要，文件将交由机器学习和污点分析模拟执行进行深度检测，确保检测速度的同时提高准确性。

策略优势

1. 模糊规则

经过大量样本的积累和实验，模糊规则能够快速判断文件的可疑程度。根据可疑程度判断是否需要深度检测，既保证了检出率，又最大限度地节省了系统资源。

2. 污点分析模拟执行

以PHP为例，首先让我们了解一下PHP的解析过程： PHP编译过程包括词法分析、语法分析，在语法分析阶段生成AST(抽象语法树)。从AST中，我们可以洞察到PHP代码的结构特点。

<?php 
$func = new ReflectionFunction($_GET['m']); 
echo $func->invokeArgs(array($_GET['c']));

污点分析模拟执行通过遍历AST中的节点属性，对每个节点进行模拟执行。这种方法在Webshell检测中实现了高检出率和低误报率。

3. 机器学习

机器学习策略从多个角度对文件进行特征提取，可以在面对新出现的未知样本时保持较高的准确率。通过与其他检测策略相结合，机器学习策略能够在Webshell检测中实现高检出率和低误报率

样本仓库 https://github.com/BlackArch/webshells

某盾: 检测199

某马:检测196

某狗:检测211

Kunwu:207

4.误报率对比

样本来自于网络搜集的一些常用CMS，内容如下

河马:8

D盾：3

安全狗:0

Kunwu:0

1. 增强加密webshell的检出效果，提高检出率
2. 进一步优化检测速度，更快的为大家提供服务