Разработана удобная библиотека PyWhat, которая помогает классифировать данные в неструктурированном массиве. Например, у вас несколько мегабайт трафика, записанного в стандартном формате .pcap. Что с ним делать? PyWhat спарсит все строки, выделит:

  • кошельки криптовалют,
  • номера социального страхования,
  • кредитные карточки,
  • заголовки видеороликов Youtube ID,
  • любые хэши,
  • другие известные типы данных.

Так в трафике гораздо проще ориентироваться. Увидев нужный пакет, затем в Wireshark можно выбрать остальные пакеты конкретно из этого потока в реальном времени.

В принципе, всё то же самое можно сделать фильтрами в Wireshark, если искать в трафике что-то конкретное, но эта библиотека автоматизирует процесс и экономит время.

Иди другой пример. Посреди кода или в каком-то файле встречается таинственная строка 5f4dcc3b5aa765d61d8327deb882cf99. Нет проблем. Запускаем PyWhat — и смотрим, что это такое, с помощью команды what "5f4dcc3b5aa765d61d8327deb882cf99".



Задача команды what — выяснить происхождение строки символов, фрагмента, текста внутри файла или какого-то hex-значения.

Автор библиотеки приводит такой пример. Вы столкнулись с новым вариантом вредоносного ПО под названием WantToCry. Вспоминаете, что оригинальный Wannacry удалось остановить, потому что никому не известный паренёк обнаружил в коде «выключатель» с триггером на появление сайта по указанному адресу. Парень зарегистрировал этот домен — и остановил распространение Wannacry во всём мире.

«Итак, запускаем what — находим все домены во вредоносной программе — и через API регистратора доменов все их регистрируем. Если Wannacry появится снова, вы сможете остановить его за считанные минуты», — пишет автор.



В общем, библиотека помогает найти структурированные данные в любом файле, поддерживает рекурсивный поиск файлов в директориях, работает с API.

PyWhat относится к классу «вероятностных библиотек» на Python (probabilistic library), созданных в процессе машинного обучения моделей. В каком-то смысле, такие модели после обучения распознают форматы строк примерно как системы машинного обучения распознают лица конкретных людей, сверяясь с базой паттернов.

Из других полезных вероятностных библиотек/пакетов на Python можно назвать следующие:

  • probablepeople: парсер неструктурированных западных имён с разбиением их по полям (имя, фамилия и другие компоненты)
  • usaddress: парсер американских адресов с разбиением из одной строки на шесть полей
  • chardet: автоматическое определение кодировки символов
  • Gen.jl: система вероятностного программирования общего назначения с программируемым выводом. Например, позволяет наводить порядок в таблицах с плохо структурированными данными
  • DataProfiler: инструмент, похожий по функциональности на PyWhat. Принимает на входе файлы и данные любых форматов, а на выходе выдаёт структурированную информацию по следующим полям:

    • UNKNOWN
    • ADDRESS
    • BAN (bank account number, 10-18 digits)
    • CREDIT_CARD
    • EMAIL_ADDRESS
    • UUID
    • HASH_OR_KEY (md5, sha1, sha256, random hash, etc.)
    • IPV4
    • IPV6
    • MAC_ADDRESS
    • PERSON
    • PHONE_NUMBER
    • SSN
    • URL
    • US_STATE
    • DRIVERS_LICENSE
    • DATE
    • TIME
    • DATETIME
    • INTEGER
    • FLOAT
    • QUANTITY
    • ORDINAL

    Возможно переобучение модели DataProfiler на новые типы данных.




Комментарии (0)