FIT2018上海行
20171214-15
FIT两天内容丰富多彩，很大一部分嘉宾都在讲AI，不过有些上次2017GeekPwn上海项目的详细分析还是挺不错的。
首先介绍两个上次Geekpwn的项目：
关于人脸识别门禁漏洞：
引用一个模型
关于门禁系统，具体就是：
逆向固件，抓包分析，进行模糊测试（Fuzz）
这个设备的漏洞有：型号、序列号等信息泄露，逻辑错误（对正确的第一位密码有网络响应）
最后进行攻击：操作人脸识别，模拟管理端对照片进行替换，最后识别成功
汽车OBD盒子控制：
有关汽车OBD-II接口与OBD盒子：
OBD接口用于检测汽车故障或排放标准检测，而一般OBD盒子使用蓝牙来用手机等设备控制，从而控制汽车
Hadoop攻防思路：
大数据环境：
Hadoop的核心引擎就是倒数第2、3行
数据存储: 在Hadoop集群中，每个文件会被分割成多个文件块(默认情况是128MB)， 每个文件块被分配复制、存储到多个数据节点上。
在集群中有两种类型的节点:一些 DataNodes, 存储真实的文件块在Hadoop的文件系统中 一个 NameNode, 存储文件块跟DataNode 位置的映射关系列表
攻击：
1.设计之初并没有过多考虑安全性问题
2.对于安全配置默认是不开启
3.脆弱性:审计、监控、使用
4.开源组件问题
预防：
1.边界：护城河模式 优势:降低风险来源节点之间 通信效率高 劣势:内外网无法直接交换数 据，内网完全无防护能力。
2.架构：数据采用SSL、TLS加密传输、 kerberos做凭证服务。优势:可对外网提供服务，无需部署边界，密文传输。劣势:部署复杂，运维成本高。
3.数据：对数据进行标记化处理，对数据中心 进行标记，脱敏，加密。 优势:解决了数据共享问题。 劣势:系统复杂度增加，性能下降
强化学习在web安全的应用：
深度学习在信息安全的应用：
举例1:恶意病毒的分类
不同种类的病毒样本越来越多 – 如何应对? 逆向, 病毒分析 – 耗时过长!
基于签名的方法 – 过时,但仍然广泛使用
然而许多病毒样本是相似的: 变种, 相似的族群
基于数据的机器学习算法：
静态分析(malware code, PE header metadata)
动态分析(e.g. system calls, network traffic)
利用卷积神经网络捕捉命令序列的相似性
利用深度神经网络在特征提取上的优越性提高病毒检测分类的能力
结合PE Header 中的meta信息构造统一的神经网络架构
举例2:控制局域网（CAN）异常检测
隐患：多数深度学习攻击思路，
机器学习的函数视角：
对抗条件下的机器学习：
对抗式机器学习的过程：
对抗式攻击分类：因果式，探索式
深度神经网络的攻击：
过去与现在，
总结：
路由器宽带账号获取：
关于路由器一键换机功能，PPPoe协商过程，两个阶段:
获取PPPoE终端及服务端双方的MAC地址，并生成唯一的PPPoE会话ID，之后进行PPP会话。
PPP会话：
LCP协商阶段：协商是否认证和采用何种认证方式( Authentication Type)
认证阶段：通过协商好的认证方式迚行认证(PAP / CHAP)
会话维持：设备主动収送心跳包保活，若3次未得到服务 器的响应，则设备主动释放地址
会话结束：会话建立后的任何时候収送PADT，终止 PPPoE会话
存在的问题：
客户端、服务端双方缺少有效的身份确认机制，认证类型双方协商决定。
攻击流程：搭建PPPoE服务器，配置PAP认证。连接PPPoE服务器至路由器WAN端口。监听网卡捕获PPPoE PAP认证包，获取明文密码
简单的思考：许多含有缺陷的协议依然被广泛使用，比如GSM、GPS。因 为客观需要没法直接禁止，但对它们的攻击门槛却逐渐降低。它们的问题除了需要行业的主动推进，还需要等待终端设备的更新换代才能完全解决，而这个时间可能长达数十年！
大会内容多与企业相关（打小广告的很多），但仍然有许多我不了解的新东西，非常不错！
