♧ Godown 安全知识树

Arthas 提取 + 反编译 + 通义千问 LLM 研判 Java 内存马:SOAR 剧本自动化与机器人告警

defense/detection · verified

一句话结论

把人工排查内存马的流程拆成 SOAR 剧本:在目标 Java 主机加载 Arthas 并 attach 进程,枚举/提取可疑类字节码并反编译成源码,把源码连同结构化提示词交给大模型(如通义千问)判定是否为内存马并给出 0–10 恶意分与行为描述,再由剧本把结论、源码链接与处置建议推送到运营机器人;实战输出可把 Filter 型内存马(如 T7Neo)标为 10/10 并给出"可能注入恶意过滤器导致任意代码执行"的结论,但依赖模型能力、存在误报。

原理

  • 为什么需要内存马识别:内存马(Filter/Servlet/Listener/Valve/Agent 等)不落盘、只存在于 JVM 已加载类中,传统文件查杀无效;必须枚举运行中的类并分析其字节码/源码。
  • Arthas 的定位:arthas 可 attach 到运行中的 Java 进程,提供类枚举与反编译能力(如 sc 查类、jad 反编译源码),是自动化流水线的数据入口。
  • 流水线:机器实例 → 加载 arthas → 注入 java 进程 → 枚举/提取 java 类 → 反编译 java 源码 → 大模型分析研判(通义千问)→ 剧本结论;同时生成源码 HTML 供人工查看,机器人把结论推给安全运营。
  • 输入/输出契约:输入为目标机器 IP;输出三类结果——Java 类源码、内存马类型与对应 Java 类、内存马行为描述。固定输出契约便于 SOAR 下游自动化(告警、工单、隔离)。
  • LLM 在其中的角色:大模型阅读反编译源码,按提示词做分类与打分,弥补规则扫描对变形/未知内存马覆盖不足;提示词要求给出恶意值(0–10)与 JSON 结构化输出,便于程序消费。
  • 实战形态:机器人消息包含服务器、Java 进程列表、PID、类名、组件类型(如 Filter)、可信度(1–10)、智能分析结论与"查看源码"链接;另一类输出以 "Maybe Java Memory-Shell"、LoaderHash、风险级别呈现。示例中 T7Neo 被判定为 Filter 组件、可信度 10,描述为"实现 Filter 接口,可能用于在 Web 应用中注入恶意过滤器,可能导致任意代码执行"。
  • 边界:识别准确率依赖大模型本身能力,会产生误报;要提高准确率需微调/训练或结合规则与 RAG;被分析源码是攻击者可控内容,需防提示词注入(见关联卡)。

触发条件

  • 目标为 Java 应用主机(Tomcat/Spring 等),具备 JDK attach 条件与足够权限运行 Arthas。
  • 有可用的 LLM API(如通义千问)与 SOAR/编排平台,能把脚本、机器人与模型调用串起来。
  • 安全运营方已建立可疑类筛选规则(组件类型、类来源、无对应磁盘文件等),否则全量类送模型成本过高。

利用步骤

  1. SOAR 剧本接收目标机器 IP/资产信息,下发任务到目标主机。
  2. 上传并加载 Arthas,attach 到目标 Java 进程。
  3. 枚举类并筛选可疑目标:Filter/Servlet/Listener/Valve/Agent 等组件类型、类加载器异常、无对应部署文件、类名随机等。
  4. 对候选类执行反编译,取得 Java 源码;必要时保存 LoaderHash/类名等元数据。
  5. 按固定模板组装提示词(角色、评分标准、输出 JSON),调用通义千问等模型。
  6. 解析模型返回的 mal_level/description,按阈值决定告警等级;生成源码 HTML 页面。
  7. 通过机器人推送结论(进程/PID/类名/组件类型/可信度/行为),由安全运营复核并处置(卸载类、重启、取证)。

PoC

# Arthas 侧(示意,实际按环境调整)
sc -d *Filter*                 # 枚举可疑 Filter 类
jad --source-only <ClassName>  # 反编译源码

# 送给 LLM 的结构(示意)
{
  "role": "网络安全攻防专家",
  "task": "判断 Java 类是否为内存马,输出 mal_level(0-10) 与 description",
  "input": "<反编译后的 Java 源码>",
  "output_schema": {"mal_level": "0", "description": "..."}
}

# 模型返回(示意)
{"mal_level":"10","description":"该类实现 Filter 接口并动态注册,可能为恶意过滤器,导致任意代码执行"}

说明:文章展示的是真实机器人输出(类名 T7Neo、Filter 组件、可信度 10/10),但未给出完整脚本源码;上述命令与 JSON 为按流程还原的最小示意。

变体与关联

  • 变体:提取阶段可用 sa-jdi/ClassDump、java-memshell-scanner、Shell-Analyzer 等替代 Arthas;分析阶段可换本地模型、微调模型或"规则初筛 + LLM 复核"。
  • 变体:把 LLM 结论与流量、文件、进程行为联动,形成 SOAR 自动处置(隔离主机/摘除流量)。
  • 关联:[[defense-detection-tomcat-memshell-scanner-arthas]](Arthas 人工排查内存马);[[defense-detection-sajdi-classdump-memshell-bytecode]](sa-jdi 提取字节码);[[defense-detection-ai-llm-java-memshell-prompt-design]](本流水线的提示词与采样参数设计);[[ai-security-prompt-injection-ai-webshell-detector-comment-bypass]](被分析源码中的注释可注入提示词误导模型)。

检测与防御

  • 检测:审查 AI 判定结果的误报/漏报,用人工复核与多模型交叉验证;对模型输出做阈值与人工确认双门控,不直接自动删除类。
  • 防御:提示词与源码隔离(明确分隔符、拒绝执行源码内指令);对输入源码做长度截断与清洗;关键判定保留规则扫描结果作为兜底;对模型 API 调用做审计。
  • 运营:持续收集误报样本做微调/RAG;把内存马类型、LoaderHash、类名纳入威胁情报;定期演练 Arthas 提取与处置流程。