鐐銬之舞：美團安全工程師Black Hat USA演講
背景
2018年8月9日，全球頂級安全會議——Black Hat USA在美國拉斯維加斯的曼德勒海灣會議中心落下了帷幕，這場盛會在全球黑客心中幾乎等同於“世界盃”和“奧斯卡”一樣的存在。這場一年一度的盛會已經有著21年的悠久歷史，也被公認為世界資訊保安行業的最高盛會之一。
作為在國內安全領域擁有多年的實戰經驗和技術積累的安全團隊，美團安全研究院再次受邀參加了本次盛會。在議題通過率不足20%的嚴苛篩選條件下，美團安全工程師Ju Zhu與小夥伴一起帶著本次演講的議題“Art of Dancing with Shackles: Best Practice of App Store Malware Automatic Hunting System（App Store惡意程式碼自動捕獲系統最佳實踐）”，榮登Black Hat USA 2018的國際舞臺。
議題解讀
Apple的iOS系統是所有流行作業系統中最安全的系統之一，正因為如此，也是黑客重要的攻擊目標和研究物件。雖然攻擊難度大，但一旦成功，所獲得的商業價值非常之高，所以iOS系統備受黑客“青睞”。
因為蘋果的商業模式比較特別，而且iOS系統並非開源系統，同時Apple高度重視安全，所以對iOS系統進行了周密的安全設計，這使iOS系統的安全性遠超其他作業系統。安全界對於大規模自動化捕獲該平臺的高階威脅，一直面臨困難和挑戰，同時當終端使用者遭受真正的APT攻擊（如PEGASUS）時，防禦檢測解決方案也無法獲得足夠的許可權來檢測深層攻擊，甚至都無法獲得足夠的資訊。
本議題正是在這個方向經過深入研究做了突破性的進展，成功設計出一套可大規模自動獲取應用樣本的Crawl系統，通過使用基於Raspberry Pi構建叢集實現了低成本、可擴充套件的安全沙箱自動分析系統，最終實現了自動化收集樣本並對樣本進行自動化安全分析的APT攻擊捕獲及分析系統。
首先，我們先來看一下這個系統的整體架構。
系統整體架構
實際上，整個iOS惡意軟體Hunt系統基本上分為兩個不同的部分：
-
第一部分，是App Crawl系統，主要用於從App Store收集新發布或現有的應用程式。當然作為感染鏈源之一，還會收集來自第三方App Store甚至公共惡意軟體儲存庫（例如Virus Total）的應用程式以增強我們的惡意軟體資料庫。除應用程式外，其他潛在的惡意檔案型別（如Profile）也是我們的收集目標，（可以參考我在BlackHat Asia 2018中關於”野外iOS Profile攻擊“的名為“Death Profile”的文章）。
-
另一部分，是沙盒分析系統，主要是動態跟蹤應用程式行為，並根據規則決策引擎關聯行為日誌以給出最終結果。實際上，沙盒系統包含不同的型別，包括基於Frida的iOS真實裝置、ARM伺服器的使用者模式模擬（例如Raspberry Pi系統）以及完整的系統模擬VM。
系統構成
具體來說，整個系統主要由五個模組構成。
- 自動Crawl系統：自動化爬行及抓取各App應用市場的應用程式，包括App Store以及其他第三方市場，本系統中通過逆向分析成功的實現了自動化的使用者登入、購買及下載應用程式。
- App Crack系統：解密從App Store下載的應用程式，方便沙盒進行動態行為分析。
- 沙盒分析系統：突破傳統基於真機（iOS裝置）沙盒的系統設計，創新的使用了基於Raspberry Pi模式和QEMU模式，低成本、可擴充套件的叢集方式來實現動態監控應用程式的執行行為，例如File、Network、XPC、IOKit和Profiled等。
- 動態跟蹤行為系統：主要用來收集沙盒系統中所執行樣本的各種監控行為日誌。
- 決策引擎系統：基於開源的Nools系統，實時或非實時地根據監控日誌，來判斷樣本行為。
那麼，它們是怎麼有效的運轉起來的呢？
系統執行流程
- 首先，通過自動化爬蟲系統構建相應的登入、購買、下載操作，從iTunes伺服器抓取應用程式，併發送給Crack系統。之後Crack系統將解密Apple的DRM，並生成可在越獄裝置和模擬器上執行的IPA檔案。
- 然後，構建IPA執行環境暨沙盒分析系統，我們引入了兩個解決方案，第一個是傳統的在真正越獄裝置上分析這些應用程式；第二個是創新的使用了基於Raspberry Pi的模擬器叢集來執行並分析應用程式。
- 最後，使用基於開源的Frida框架，經過定製化的開發，動態跟蹤每個IPA應用程式的行為，再通過決策引擎檢查IPA是否為惡意應用，是否可能存在APT攻擊。
下面，我們將基於各個模組的分解來詳談它們的運作模式。
首先，App Store應用程式的Crawl基本可以理解為iTunes協議的灰盒逆向工程。
經過研究，我們發現在PC主機上通過iTunes實現App Store Crawl的基本步驟包括以下幾個方面：
- 第一步，是抓取目標應用的Meta資料，例如名稱、類別、大小等等。
- 第二步，是使用Apple ID登入，購買產品，使用iTunes授權PC端，以滿足應用下載的要求，並將應用儲存到本地磁碟。這裡，我們必須使用很多技巧來征服App Store的反爬機制。
- 最後一步，是破解下載的應用程式。由於App Store上的所有應用程式都由Apple打包，這顯然會阻止廠商基於安全方面的動靜態分析，因此需要將目標應用程式的執行時記憶體轉儲為普通程式碼。
因此，基於上面的流程，我們可以設計成以下架構。
自動Crawl & Crack系統架構
從架構圖來看，該系統實現的功能，包括應用程式Meta資訊Crawl、Apple ID登入、PC授權、iOS裝置授權、IPA簽名和安裝後的Crack。它實際上是一個基於iTunes Store應用程式的自動系統。
App Meta資訊Crawler負責獲取應用程式詳細資訊，包括下載URL和價格資訊。應用下載抓取工具可以通過這些網址自動下載應用。然後，這些應用程式將傳送到每個越獄裝置進行解密，這將用於以後的靜態和動態分析。
自動Crawl系統
對於Crawl系統，我們可以分為三個部分來運作。
- App Meta資訊Crawler：App Store是有區域限制的，即區域A的Apple ID無法下載區域B的應用程式。因此，針對不同區域，我們設計了不同的Spider。而獲得的Meta資訊，包含了App ID、下載地址、圖示和其他一些基本資訊。
- App下載Crawler：通過逆向分析多個二進位制檔案及通訊協議，構造Apple ID的登入及購買請求，可以自動化下載與“從iTunes客戶端下載的IPA檔案”相同的IPA檔案。
- 匯入DRM資料：上面下載的IPA檔案，實際上是不能直接安裝執行的，因為還缺少一個Sinf檔案，它是一個包含授權等資訊的DRM資料檔案。對於Apple來說，它們只為每個應用程式保留了一份Copy。當用戶購買App時，伺服器將動態生成DRM資訊，並將其放入應用程式購買的響應資料中傳送回來。之後iTunes或者App Store將負責把DRM資料重新打包到IPA檔案中。因此，我們僅需簡單地將之前獲得“Sinf資料”儲存並下載到IPA檔案中即可。
我們都知道，從App Store下載的App是加密的。這樣不利於我們使用越獄裝置和模擬器來分析行為，所以還需要對IPA進行解密。下面我們說一下，Crack系統的技術要點。
App Crack系統
如果使用者的帳戶從來沒有在iOS裝置上登入過，則它購買的App是無法在該裝置上執行的，即DRM保護。
如果在一臺裝置上，使用者登入了自己的帳戶，Apple會認為使用者授權此裝置，而使用該帳戶購買的一切應用程式則可安裝、也可執行。但是我們需要讓這一切變得自動化。
通過逆向“設定”程式，我們發現“StoreServices.framework”是用來管理賬戶資訊的，最後我們做了一個Tweak，並配合Undocument API實現了Apple ID登入過程。
我們有了大量待分析的樣本，下面的工作就是靜態和動態分析。業界對於靜態分析已經非常成熟，比如MachOView等等，這裡我們就不多介紹了。而動態分析，目前主要以基於Frida的系統居多。
Frida是一個功能強大且便攜的Hook系統，支援移動（例如iOS和Android）和PC系統（例如MacOS）。更重要的是，它允許在沒有配置和編譯的情況下根據指令碼（例如JavaScript）控制Hook點。所以說，它是目前最流行的動態分析框架系統。當然它們都必須依賴真機裝置。
接下來，我們來介紹一下傳統的基於真機（iOS裝置）的沙盒系統。
沙盒分析系統
傳統的基於真機（iOS裝置）沙盒系統
從上圖來看，這種基於Frida實現真機（iOS裝置）沙盒系統的工作流程主要包括以下幾個方面：
- 首先，給iOS裝置配置Frida，目的是為了進行行為跟蹤；
- 然後，Frida控制器模組將在iOS裝置上觸發樣本執行，或者其他任何操作（例如：安裝配置檔案，使用瀏覽器訪問網站等），並跟蹤感興趣的系統行為；
- 最後，將行為日誌收集到主機端，該日誌將成為決策引擎系統的輸入，它會根據需要，實時或非實時地判斷樣本行為。
雖然Frida一直是App動態檢測的主流，但是如果我們需要檢測大量樣本或者大量Case時，則會出現嚴重瓶頸，因為面臨大量的真機（iOS裝置）投入，而且成本、擴充套件性都是致命問題，所以我們創新的使用了低成本Raspberry Pi來替代它，併成功的實現了虛擬化、叢集化。
基於Raspberry Pi的iOS虛擬機器
在虛擬化方面，我們實現了一個動態載入器，它可以載入iOS可執行檔案，並重新實現了System Library和Framework，以保證iOS可執行檔案能夠正常執行等等。
這樣我們就可以輕鬆動態監控Mach-O的行為，並將這些日誌提交給決策引擎，以確定該應用程式是否為惡意軟體，甚至是否是APT攻擊的一個Chain等等。
如果希望利用現有的伺服器來運維，我們也可以將其移植到QEMU中執行。
通過這種“低成本硬體模擬器”的設計，每天都可以自動化掃描大量的樣本，從而節省了成本，並提升了可擴充套件性，提高了樣本的檢測效率。
這種高效的沙盒分析系統，必然會產生大量的分析日誌，所以，我們需要一種高效能、高實時性的規則決策引擎系統來做最後的判斷處理。
決策引擎系統
Nools是一個基於Rete並使用JavaScript實現的規則引擎推理系統。它可以支援連續日誌輸入時的實時判斷模式，而且用其編寫的決策規則，具有強靈活性和可移植性，使得我們對於樣本的檢測獲得了高可用性。
總結
一直以來，業界對於“iOS大量樣本檢測實現自動化Hunt高階威脅”都沒有很好的實踐，而我們已經證明了基於自動抓取、安全沙箱自動分析系統以及iOS虛擬化的高階威脅Hunt系統的可行性。而這樣大量的樣本檢測Case和日誌，也為以後我們引入AI系統提供了必要條件。
關於美團安全
美團點評集團安全部的大多數核心開發人員，擁有多年網際網路以及安全領域實踐經驗，很多同學參與過大型網際網路公司的安全體系建設，其中也不乏全球化安全運營人才，具備百萬級IDC規模攻防對抗的經驗。安全部也不乏CVE“挖掘聖手”，還有很多受邀在Black Hat等國際頂級會議發言的講者，當然還有很多漂亮的運營妹子。
目前，美團點評安全部涉及的技術包括滲透測試、Web防護、二進位制安全、核心安全、分散式開發、大資料分析、安全演算法等等，同時還有全球合規與隱私保護等策略制定。我們正在建設一套百萬級IDC規模、數十萬終端接入的移動辦公網路自適應安全體系，這套體系構建於零信任架構之上，橫跨多種雲基礎設施，包括網路層、虛擬化/容器層、Server 軟體層（核心態/使用者態）、語言虛擬機器層(JVM/JS V8)、Web應用層、資料訪問層等，並能夠基於大資料+機器學習技術構建全自動的安全事件感知系統，努力打造成業界最前沿的內建式安全架構和縱深防禦體系。
隨著美團點評的高速發展，業務複雜度不斷提升，安全部門面臨更多的機遇和挑戰。我們希望將更多代表業界最佳實踐的安全專案落地，同時為更多的安全從業者提供一個廣闊的發展平臺，並提供更多在安全新興領域不斷探索的機會。
美團安全2018秋季招新開始啦！這裡有資料安全、Web安全、移動安全、IT安全、滲透測試、安全研究、隱私保護合規、產品研發等十餘個熱門崗位歡迎你的加入，詳情戳 ofollow,noindex" target="_blank">這裡 。簡歷請投至 [email protected]
發現文章有錯誤、對內容有疑問，都可以關注美團技術團隊微信公眾號（meituantech），在後臺給我們留言。我們每週會挑選出一位熱心小夥伴，送上一份精美的小禮品。快來掃碼關注我們吧！
