ChatGPT（Chat Generative Pre-trained Transformer）是一款美国OpenAI研发的聊天机器人程序，能够通过理解和学习人类语言来进行对话，根据聊天的上下文与使用者互动，真正像人类一样聊天交流。它甚至能完成撰写邮件、视频脚本、文案、代码、论文等任务。
ChatGPT的算法基于Transformer架构，这是一种使用自注意力机制处理输入数据的深度神经网络。Transformer架构广泛应用于语言翻译、文本摘要、问答等自然语言处理任务。ChatGPT使用了GPT-3.5大规模语言模型（LLM Large Language Model），并在该模型的基础上，引入强化学习来微调预训练的语言模型。这里的强化学习采用的是RLHF（Reinforcement Learning from Human Feedback），即人工标注方式。目的是通过其奖励惩罚机制，让LLM模型学会理解各种自然语言处理任务，并学会从helpfulness、honest、harmless三个维度判断什么样的答案是优质的。
ChatGPT模型的主要训练流程如下：
在安全检测领域，越来越多的企业组织开始使用人工智能技术，来帮助检测网络流量中的潜在威胁。人工智能的优势在于，它可以处理大量的数据，快速准确地识别并分类异常流量。通过训练神经网络模型，人工智能可以自动化检测识别网络攻击、漏洞利用和恶意软件等行为，减少人工干预和误报，提高检测的准确性与效率。
当前主流的网络攻击检测，核心是基于DPI技术，发展出的针对HTTP访问的检测（WAF），以及针对操作系统的入侵防御检测（IPS）。即部署在应用前，在用户请求到达服务端之前对其进行扫描和过滤，分析校验每个用户请求的网络包，确保每个请求的安全有效，对无效或有攻击行为的请求进行拦截或隔离。目前，常用的攻击检测方式如下：
基于事先编写的特定规则或模式（正则表达式）检测网络流量中的威胁，如病毒、恶意软件、入侵行为等。但是由于攻击手段多样化，有经验的黑客可以通过一些语句变化绕过检测。正则表达式是由关键字发展而来的，虽然在一定程度上降低了误报率，但由于正则表达式是基于字符串的过滤，只能检测预定好的攻击行为；针对一些比较复杂的注入方法，同样存在漏报率高的问题。
通过对同类流量的来源IP、协议类型比例、流量上下行趋势等基础元素的建模分析，得到一些异常事件的分析结论。但是流量分析需要对网络流量进行捕获分析，所以需要较高的计算资源和存储资源，会使得整个系统比较庞大。
通过监视网络流量的行为，检测出异常活动。例如，检测出某Web应用服务器访问非业务数据库、突发大量数据流、频繁访问尝试等，进而发现潜在的网络威胁。在这一过程中，会误报一些合法活动（例如临时下载等），且成熟的行为分析模型需要较长时间来训练和学习，因此防护效率可能较低。
将检测引擎设计成SQL语义解释器或命令行终端，尝试理解用户输入的内容，判断是否有可能构成攻击。目前主要针对SQL注入，使用场景有限。
基于DPI引擎的检测方式，除了有这些使用限制外，还存在多种绕过流量解析引擎进行入侵的方法。例如，利用DPI引擎可能存在的HTTP协议解析缺陷，只识别80端口为HTTP流量，而Web应用端口在8080上，其HTTP流量会被DPI引擎解析为非HTTP，从而绕过应用层攻击检测。
我们按照DPI引擎的解包流程，将原始流量解析出关键字段数据，进行规则匹配。如果能匹配到规则，则说明报文存在攻击行为；如果不能匹配，则说明报文风险较低。DPI引擎收到的流量如下图：
DPI引擎会按照会话对流量进行分组，在同一个组中的报文，一般为同一五元组的请求响应报文：
DPI引擎会将流量按照协议层级进行拆解，直到解析出所有的字段。
DPI引擎会提取其中应用层的明文请求，作为待检测内容：
ChatGPT作为一种大型自然语言处理模型，可以理解HTTP原始报文信息，这样无论攻击出现在URL、Cookies还是Referer中，都能顺利检测到。
ChatGPT、New Bing等攻击判断模块，会调用OpenAI相关API接口，使用提问的方式让ChatGPT、New Bing等进行攻击判断，示意代码如下：
import openai openai.api_key = "sk-Bew1dsFo3YXoY2***********81AkBHmY48ijxu"# api token 用来认证 def get_answer(prompt, max_tokens): # 定义一个获取答案的函数 try: response = openai.Completion.create( model = "text-davinci-003", # 模型名称 prompt = prompt,# 问题 temperature = 0.7, max_tokens = max_tokens,# 返回内容的长度限制 stream = False, # False就是一次性返回, True 就是一个个打出来像打字机, 返回的是迭代器, 需要后面代码处理. 此处没有处理 所以用False top_p = 1, frequency_penalty = 0, presence_penalty = 0 ) return 0, response['choices'][0]['text'].strip()# 获取返回值关键返回内容 except Exception as e:# 异常处理 return str(e), None
通过上述函数，就可以达到类似向ChatGPT提问的效果（使用模型为text-davinci-003），如下图：
ChatGPT会返回明确的是否存在攻击行为的结论以及行为描述，这样就完成了一次攻击判断。
如上图，可以将流量中大量需要判断的请求，分别存入不同的文件，由ChatGPT进行攻击判读，示例代码如下：
def main(read_dir = 'detect'):# 定义main函数
args = []# 缓存列表
global sign_req, all_req# 识别计数
for rf in walk_dir(read_dir, ['.txt']):# 遍历待检测目录
all_req += 1# 总数据包数自增1
content = read_fileA(rf, 'str')[:2048]# 提取报文文件前2048个字符
key_content = content.split('rnrnrn')[0][:1024]# 提取http请求
if len(key_content) < 10: continue# 如果长度太小就不检测
err, sign, disc = judge_attack(key_content, rf_rst)# 调用ChatGPT接口进行攻击检测
if sign: sign_req += 1# 如果检测到攻击, 攻击计数自增1
print('r' + f' 已检测 {all_req: 4} 个报文, 识别到攻击 {sign_req} 个, 检出率: {sign_req/all_req:0.2%}', end='', flush=True) # 打印结论如此就可以做到批量报文攻击检测。
攻击样本来自Nuclei对靶机的扫描和全PoC检测，因为有一些请求从单个报文中确实看不出来是否存在威胁。
上述情况可能需要更多上下文才能判断，此次已去除此类无法准确判断的请求例，尽量给一些人工条件下能够准确判断的样例，总体检测结果如下图：
可见ChatGPT对流量检测的准确率是非常高的，基本上相当于一个安全专家进行快速判断，其安全检测能力值得期待。
有兴趣的读者可以查看完整的项目源码，链接为：https://github.com/VitoYane/PcapSplit
未来，ChatGPT在网络安全中将扮演什么角色、有什么影响，我们很难进行准确预测，这取决于它的使用方式和使用意图。来自人工智能的威胁并不是一个新问题，对网络安全从业者来说，重要的是及时意识到ChatGPT的潜在风险并采取适当的措施来应对。
安全专家预测，国家背景的黑客将率先在网络攻击中利用ChatGPT，而该技术最终会在更多的攻击组织中得到大规模的使用，防守方需要开始研发能够抵御此类攻击的系统。
从网络安全防护的角度来看，企业机构可以采取针对性的应对措施，对ChatGPT等类似模型进行培训，标记恶意活动和恶意代码，同时对其设置难以绕过的护栏。对于ChatGPT引发的威胁，可以向员工提供新型的网络意识培训，掌握识别社会工程攻击的知识，以便识别ChatGPT等人工智能工具创造的钓鱼攻击。
当然仅仅是这样还不够。ChatGPT等人工智能工具会以比人类罪犯更快的速度制造出新的威胁，传播威胁的速度也将超过网络安全人员的反应速度。企业机构跟上这一变化速度的唯一方法，是使用人工智能来应对人工智能。
总的来说：一方面，网络安全行业的研究人员、从业者、学术机构和企业组织可以利用ChatGPT的力量进行创新和协作，包括漏洞发现、事件响应和钓鱼检测；另一方面，随着ChatGPT等工具的发展，未来开发新的网络安全工具更加重要。安全厂商应更积极地开发和部署基于行为（而非规则）的AI安全工具，来检测人工智能生成的攻击。
以上是如何利用ChatGPT提升安全检测智能化水平的详细内容。更多信息请关注PHP中文网其他相关文章！
