CC攻击的防护难点从来不在于“有没有流量进来”,而在于攻击流量和正常流量在请求层面高度相似。很多运维团队在接入CC防护服务后,只是被动地看拦截数和QPS曲线,却忽略了日志里藏着真正有价值的东西——攻击行为的指纹。把日志当流水账看,和把日志当情报源分析,得到的防护效果完全是两个级别。下面直接讲如何从CC防护服务的日志中挖掘出可落地的攻击行为特征。
先定位日志中的“异常密度”而不是“异常请求”
单看一条CC攻击请求,它可能和正常用户访问一模一样:同样的URL、同样的User-Agent、甚至同样的Referer。所以逐条分析日志找“恶意请求”的思路基本行不通。正确做法是先按时间窗口聚合,计算请求密度。把日志按1秒或5秒粒度聚合,观察某个URI、某个IP段、某个会话Cookie的请求频率是否出现突变。正常业务的请求密度变化是渐进的,而CC攻击的密度曲线通常是断崖式上升。在聚合后的数据里,攻击源会非常突兀地冒出来,哪怕它的单条请求再“干净”也藏不住。
实际操作中,建议优先对以下维度做聚合:源IP(注意是真实源IP,需要确认防护服务是否透传了X-Forwarded-For)、请求URI、Cookie中的会话标识、以及TLS指纹。其中TLS指纹是很容易被忽略但极其有效的维度。大量CC攻击工具使用相同的TLS库发起请求,导致JA3指纹高度一致。正常浏览器用户的JA3指纹分散且随机,而攻击工具的JA3指纹会集中出现。把日志中的JA3指纹提取出来做频次统计,往往能直接锁定攻击工具的类型。
识别“低频慢速”攻击的特征
很多人以为CC攻击就是高QPS洪水,实际上真正难防的是低频慢速CC。这类攻击每秒只有几个到几十个请求,但每个请求都打在最消耗资源的接口上,比如搜索、数据库查询、复杂计算页面。从QPS曲线上看几乎无感,但后端CPU和数据库连接数会被慢慢耗尽。分析这类攻击,不能只看请求数量,要看“请求成本”。把日志中每个URI对应的后端响应时间、消耗的PHP/Java进程时长、数据库查询次数关联起来,计算单位时间内的资源消耗总量。如果某个IP或某批IP在低QPS下造成了不成比例的资源消耗,这就是典型的低频慢速CC特征。
还有一个关键指标是“请求停留时间”。攻击者为了放大资源消耗,往往会在请求建立后故意慢速发送请求体或慢速读取响应。在防护服务的访问日志中,如果出现大量请求的“连接建立到请求完成”的时间远超正常值,且这些请求集中在少数IP上,基本可以判定为慢速攻击。把日志中的request_time和upstream_response_time拆开看,如果request_time很长而upstream_response_time很短,说明时间消耗在客户端传输上,这就是慢速发送的特征。
从日志中提取攻击工具的“行为指纹”
CC攻击工具无论怎么伪装,总会在行为层面留下痕迹。日志分析的核心任务之一就是把这些痕迹组合成可识别的指纹。具体可以从以下细节入手:
请求头的顺序和大小写。正常浏览器的请求头顺序是固定的,而很多脚本工具生成的请求头顺序混乱或与浏览器不一致。例如某些工具会把Accept-Language放在User-Agent前面,或者把Cookie放在最后。把日志中原始请求头的顺序记录下来做聚类,攻击工具的特征会非常明显。
请求URI的路径特征。攻击者通常不会只打一个URL,而是会遍历多个URL来消耗资源。但他们的遍历路径往往有规律,比如按ID递增、按固定间隔跳跃、或者集中在某个目录下随机选取。分析日志中每个源IP的URI序列,计算路径跳转的熵值。正常用户的浏览路径有逻辑关联,熵值较低;攻击工具的路径跳转随机性强,熵值明显偏高。
静态资源与动态资源的比例。正常用户在访问页面时会同时请求HTML、CSS、JS、图片等静态资源,而CC攻击工具为了节省带宽和计算资源,通常只请求动态URI,不加载静态资源。在日志中统计每个IP的静态资源请求占比,如果某个IP的请求中几乎全是动态URI而静态资源占比极低,这是非常强的攻击信号。这个特征在识别Bot型CC攻击时尤其有效。
利用日志中的“时间规律”识别攻击周期
CC攻击不是随机发生的,攻击者通常会选择业务高峰期发起攻击以最大化影响,或者在特定时间点进行试探性攻击。分析日志中的攻击事件时间分布,可以发现明显的周期性。例如每天固定时段出现攻击流量、每周特定几天活跃、或者在某个营销活动上线后突然增加。这些时间规律能帮助安全团队提前布防。更重要的是,通过分析攻击开始前的“前兆流量”,往往能找到攻击者的探测行为。很多CC攻击在正式发起前,会有小规模的扫描或测试请求,这些请求的URI和参数往往与后续攻击高度相关。在日志中回溯攻击爆发前1小时到24小时的数据,筛选出请求量异常的小规模流量,很可能就是攻击者的踩点行为。
关联分析:把日志中的多个维度组合起来
单维度的特征容易被攻击者绕过,但多维度的组合特征很难伪装。例如一个IP的请求频率高、JA3指纹集中、静态资源占比低、URI跳转熵值高,这四个条件同时满足,基本可以确定是攻击流量。在日志分析中,建议建立一套自动化的评分机制,对每个源IP在滑动时间窗口内计算多个维度的异常分数,然后加权求和。分数超过阈值的IP自动进入观察名单,再结合人工确认或自动封禁。这套机制的关键在于阈值要根据业务实际情况动态调整,不能用一个固定值套所有场景。
实际分析时,可以用类似下面的SQL思路对日志进行聚合查询,以找出多维度异常的攻击源:
SELECT
src_ip,
COUNT(*) AS req_count,
COUNT(DISTINCT uri) AS unique_uri,
COUNT(DISTINCT ja3) AS unique_ja3,
SUM(CASE WHEN uri LIKE '%.css' OR uri LIKE '%.js' OR uri LIKE '%.png' THEN 1 ELSE 0 END) AS static_count,
AVG(request_time) AS avg_req_time
FROM access_log
WHERE log_time >= NOW() - INTERVAL 5 MINUTE
GROUP BY src_ip
HAVING req_count > 200
AND unique_ja3 <= 3
AND static_count / req_count < 0.1
AND avg_req_time > 2
ORDER BY req_count DESC;
这段逻辑的核心思路是:找出5分钟内请求量超过200次、JA3指纹种类不超过3种、静态资源请求占比低于10%、平均请求时间超过2秒的源IP。这些条件组合起来,能有效过滤出慢速CC攻击和工具型CC攻击的流量。实际部署时可以根据自身业务的正常基线调整具体数值。
日志分析结果的反哺:从“事后分析”到“实时阻断”
挖掘攻击行为特征的最终目的不是写报告,而是把这些特征实时应用到防护策略中。把日志分析得到的攻击指纹(特定JA3、特定请求头顺序、特定URI模式、特定行为组合)同步到CC防护服务的自定义规则中,可以实现从“被动观察”到“主动拦截”的转变。例如发现某次攻击的JA3指纹集中在某个特定值,就可以直接对该JA3指纹设置挑战或拒绝策略。发现攻击者使用的URI跳转模式有规律,就可以对匹配该模式的请求序列进行限速。
更重要的是建立反馈闭环。每次攻击结束后,把防护服务的拦截日志和放行日志做对比分析,找出被漏掉的攻击流量有哪些共同特征,然后把这些特征补充到规则库中。持续迭代一段时间后,防护规则会越来越贴合自身业务的实际攻击面,误杀率和漏杀率都会显著下降。CC防护的本质不是买一个服务就完事,而是持续运营的过程,日志分析就是这个运营过程的核心驱动力。
几个容易被忽视的日志分析细节
分析CC攻击日志时,有几个细节经常被忽略但价值很大。第一是HTTP响应码的分布。攻击流量被拦截后通常返回403或429,但有些攻击者会针对性地探测哪些请求能穿透防护。分析日志中返回码的分布变化,能发现攻击者的策略调整。第二是请求参数的值分布。正常用户的参数值分散且符合业务逻辑,攻击工具的参数值往往是随机生成或固定不变的。对高频请求的参数值做基数统计,如果某个参数的值只有少数几种甚至一种,说明是工具生成的。第三是Cookie的生成时间。很多CC防护服务会对首次访问的客户端下发Cookie,攻击工具如果不处理Cookie,会在日志中表现为大量无Cookie或Cookie过期的请求。这些请求的占比突然升高,通常是新一轮攻击开始的信号。
日志分析不是一次性工作,而是需要持续投入的安全运营能力。把每一次攻击都当作样本,从日志中提取特征、验证特征、应用特征,防护能力会随着时间推移越来越强。那些只盯着实时QPS看的人,永远无法理解为什么同样的攻击方式换了个工具就能绕过防护,而真正从日志中挖掘行为特征的人,已经在攻击者动手之前就布好了防线。
本文由人工智能生成,已经人工复核后发布。
