下一代WAF应该往更智能化方向演进。。

毫无疑问，，，在应对复杂多变的应用层攻击时，，，WAF产品作为抵御应用层攻击强有力的工具，，依旧是众多企业用户的首选。
。。然而
，
，，一方面攻击手段不断增加，，另一方面，，企业应用正变得越来越复杂，
，，传统WAF要为企业应用提供防护也变得越来越力不从心
。
。不少企业开始对WAF威胁识别的准确性、、、抵御攻击的能力感到失望。。。

从现有WAF产品的工作原理分析
，，不难发现，
，，导致这一结果的根本原因，，，是当前传统WAF产品所采用的规则检测引擎和正则表达式匹配方式，
，，面对现在复杂多变的Web应用攻击时，，处理性能及攻击检测和拦截的方法上，，
，，存在明显的不足。。。。

传统WAF防御引擎弊端突显

传统的WAF防御体系存在性能差、、、漏判
、、、误判率高等特征。。

传统规则引擎的弊端

全流量处理
，，设备存在极大的性能瓶颈

随着应用的不断丰富
，，
，网络中的应用层流量越来越多
，，，而传统WAF设备在进行安全防御时，
，，需要对全部流量进行安全检测，，，这种全流量检测模式就造成了WAF设备处理性能存在瓶颈问题的根本原因。。。。全流量检测就是不管流量是好是坏，，，
，都需要设备对其进行拆包、、
、、还原、、、、特征比对等
，，
，极大的消耗了设备性能。。
。

业务内容无法有效解析、、难以深入分析

黑客在发起应用层攻击时，
，，
，传统WAF设备首先会对应用流量进行内容解析并还原，
，比如黑客攻击的是IIS、、Apache、、、、Weblogic等组件，
，，WAF设备会依托于内容还原引擎去解析所有的组件的内容，，
，识别攻击流量是否是针对该组件
，，业务内容解析及还原能力是否够强，，，
，直接影响应用层威胁的检测结果。。。在业务内容解析环境
，，，，WAF面临的最大的难度就是如何全面覆盖客户环境中异构的
、、、不同版本的各种组件。
。

一般来说
，，，，用户环境中存在异构的、
、不同版本的各种组件。
。需要安全厂商进行持续的攻防研究与攻防演练，，，并持续更新迭代。。。
。然而不同厂商在业务内容还原的能力上参差不齐，，这就导致了传统WAF设备无法有效保障服务器的组件能够被全部识别并被有效还原。。。当黑客针对性发起攻击时，，
，
，就会存在被绕过的风险
。。。

Web威胁无法精准识别、、、、无法保证误报率和漏报率

WAF产品的误判和漏判情况，，，也是使用者普遍关注的问题之一，
，误判产生的本质原因在于攻击流量和业务流量的相似性，
，，
，而漏判则是在于攻击数据的伪装，，使得WAF无法精准识别。。
。。

当前的WAF设备在技术手段上所采用的正则匹配方式相对单一，，
，依靠静态固化的规则无法有效应对各种变种的应用层威胁。。。。特征检测机制会从零散分布在正常业务语句中的特征进行判断
，，如业务中的一些业务语句、、、句子甚至文章往往被认为是攻击特征
，，
，从而导致误判
；而利用各种编码及攻击混淆手段进行的攻击语句，，，往往能够伪装成正常流量，
，，，绕过WAF的规则判断
。
。。

下一代WAF防御引擎

为了弥补传统WAF防御架构的不足，，，，更好的应对日益复杂的Web应用攻击，，，传统WAF的防御架构必须进行更新换代。。。。基于单一的正则匹配安全检测技术基础，，
，，引入语法、、词法分析算法
，，，并全面结合机器学习、
、、人工智能技术，，利用AI技术为传统的WAF进行深度的安全赋能，，，以此构建更加智能化的下一代WAF防御引擎。。。。

以流量深度学习能力，
，全面提升设备处理效能

通过引入机器学习，
，，在流量层采集白流量的特征，，使合法流量可以快速通行
，，
，实现设备性能的翻倍提升。
。

绿阳下一代防火墙在WAF引擎上采用白流量过滤，，，，基于应用层交互内容进行深度学习，，在这个层次上建立深入的流量学习模型，，，对各种网页元素、、、、参数进行监测、、学习
、、、、对比，，
，整个过程由设备的自学习功能完成，
，，，无需人工干预
，，，同时可以根据Web流量的变化进行自适应调整
，
，，
，建立白流量过滤能力
，，，如果流量中有明显偏离正常流量模式，，则将其导入到后续的安全检测流程进行处理
，，保证合法流量可以快速通行。。。这就好比机场的安检机，，，，识别到包含违禁物品的包裹后，，进行开箱查看
，，
，，正常包裹直接通过，，，相比传统WAF架构的逐一开箱检查，
，，，极大的提高处理效率。。。。 

以业务智能融合引擎，，融合业务解析及还原能力

绿阳AF通过业务智能融合引擎，
，智能匹配业务环境，，根据业务特征动态匹配解析及还原能力，，，，具备适应各种后端业务的能力，，，，能够快速将业务相关内容还原，
，再在进行安全检测，，，，全面应对各种各样的攻击。。例如下面这个sql注入攻击语句：

POST

/cms/supesite/personcard.php?uid=49%20%u0061nd%201=2%20un%u0069on%20se%u006c%u0065ct%201,password,3,4,5%20from%20adminHTTP/1.1

因为IIS默认支持对%u编码的解码功能，
，，所以这一段数据最终被还原成：

POST

/cms/supesite/personcard.php?uid=49 and 1=2 union select 1,password,3,4,5 from adminHTTP/1.1

导致该语句可以成功在IIS服务器上被执行，，，从而对应用服务器造成攻击。
。。而绿阳AF业务智能融合的解析引擎，，可以准确识别攻击使用的混淆方法，，，，从而对其进行解析，，，，检测并进行拦截。。。。对比传统WAF的防御方式，，，，如果WAF不具备这种业务适配能力的话
，，，，无法正确以对应的业务环境对该语句进行解析和还原，，，将无法有效识别来该攻击，，，黑客就可以绕过WAF，，，从而攻击后端的业务服务器。。。

除了业务智能融合引擎之外，，，，绿阳AF也在传统技术上做到极致，，，通过对大量用户业务环境的持续攻防演练，
，，充分了解用户业务的特点及响应方式，，将该业务解析的能力全面迁移到WAF中，
，实现对业务内容的深度还原。。
。

以威胁深度检测引擎
，，精准识别Web威胁

绿阳AF的威胁深度检测引擎融合词法、
、、
、语法算法并全面采用人工智能对威胁进行深度分析，
，，可以全面应对传真实环境中复杂的业务环境、
、、
、业务数据、、开发方法等，，，第一时间定位并处理掉异常行为。。

基于AI学习经验数据后，，，，可以形成基于行为的数据模型，
，，通过这些数据模型对目标事件做出预测，，，使得核心安全能力具备自我学习、、、
、模型的自我演进、、
、及业务的自适应特点。。。
。如下图
，，将SQL相关的攻击
，，按照词法解析的方式，，形成序列：

 

一方面
，，通过云端的大数据，，生成大量的攻击序列及合法序列，，，进行有监督学习，，，
，用大量已知的攻击样本生成攻击数据模型，，，，然后通过这些模型来预测其他未知的攻击方式。
。。。通过这种方式训练出来的AI引擎，，，即可以防住变化多端的攻击，，也能够在WAF上线后通过对业务的持续学习，
，，，自动排除误判。。。。

另一方面，，，基于人工智能技术通过有监督和无监督的结合，
，，
，无监督掌握业务的正常模式，，有监督可以掌握攻击的特征，
，通过人为的标注，，
，，进行数据泛化，，这样的互补可以更好地精准识别业务流中的攻击。。
。

绿阳AF基于面向未来，
，，，有效保护的安全理念，，采用的下一代WAF防御引擎
，
，相比传统WAF防御方式，，，，能够为用户的业务提供更加高效的防御能力。。。。