killvxk/analyzing-dns-logs-for-exfiltration

分析 DNS 日志中的数据外泄

适用场景

在以下情况下使用本技能：

• SOC 团队怀疑通过 DNS 隧道进行数据外泄以绕过防火墙/代理控制
• 威胁情报显示对手使用基于 DNS 的 C2 信道（例如 Cobalt Strike DNS Beacon）
• UEBA 检测到特定主机存在异常 DNS 查询量
• 恶意软件分析揭示具有 DNS-over-HTTPS（DoH）或 DNS 隧道能力

不适用于标准 DNS 故障排除或可用性监控——本技能专注于与安全相关的 DNS 滥用检测。

前置条件

• 已启用 DNS 查询日志记录（Windows DNS Server、Bind、Infoblox 或 Cisco Umbrella）
• DNS 日志已摄取到 SIEM（Splunk 的 Stream:DNS、dns 数据源或 Zeek DNS 日志）
• 用于历史域名解析分析的被动 DNS 数据
• 正常 DNS 行为基线（查询量、域名分布、TXT 记录频率）
• Python（含 math 和 collections 库）用于熵值计算

工作流程

步骤 1：通过子域名长度分析检测 DNS 隧道

DNS 隧道将数据编码在子域名标签中，产生异常长的查询：

index=dns sourcetype="stream:dns" query_type IN ("A", "AAAA", "TXT", "CNAME", "MX")
| eval domain_parts = split(query, ".")
| eval subdomain = mvindex(domain_parts, 0, mvcount(domain_parts)-3)
| eval subdomain_str = mvjoin(subdomain, ".")
| eval subdomain_len = len(subdomain_str)
| eval tld = mvindex(domain_parts, -1)
| eval registered_domain = mvindex(domain_parts, -2).".".tld
| where subdomain_len > 50
| stats count AS queries, dc(query) AS unique_queries,
        avg(subdomain_len) AS avg_subdomain_len,
        max(subdomain_len) AS max_subdomain_len,
        values(src_ip) AS sources
  by registered_domain
| where queries > 20
| sort - avg_subdomain_len
| table registered_domain, queries, unique_queries, avg_subdomain_len, max_subdomain_len, sources

步骤 2：检测高熵域名查询（DGA 检测）

域名生成算法（DGA）产生看似随机的域名：

index=dns sourcetype="stream:dns"
| eval domain_parts = split(query, ".")
| eval sld = mvindex(domain_parts, -2)
| eval sld_len = len(sld)
| eval char_count = sld_len
| eval vowels = len(replace(sld, "[^aeiou]", ""))
| eval consonants = len(replace(sld, "[^bcdfghjklmnpqrstvwxyz]", ""))
| eval digits = len(replace(sld, "[^0-9]", ""))
| eval vowel_ratio = if(char_count > 0, vowels / char_count, 0)
| eval digit_ratio = if(char_count > 0, digits / char_count, 0)
| where sld_len > 12 AND (vowel_ratio < 0.2 OR digit_ratio > 0.3)
| stats count AS queries, dc(query) AS unique_domains, values(src_ip) AS sources
  by query
| where unique_domains > 10
| sort - queries

基于 Python 的 DNS 查询香农熵（Shannon Entropy）计算：

import math
from collections import Counter

def shannon_entropy(text):
    """计算字符串的香农熵"""
    if not text:
        return 0
    counter = Counter(text.lower())
    length = len(text)
    entropy = -sum(
        (count / length) * math.log2(count / length)
        for count in counter.values()
    )
    return round(entropy, 4)

# 测试示例
normal_domain = "google"           # 低熵
dga_domain = "x8kj2m9p4qw7n"      # 高熵
tunnel_subdomain = "aGVsbG8gd29ybGQ.evil.com"  # Base64 编码的数据

print(f"正常: {shannon_entropy(normal_domain)}")     # ~2.25
print(f"DGA:  {shannon_entropy(dga_domain)}")         # ~3.70
print(f"隧道: {shannon_entropy(tunnel_subdomain)}")   # ~3.50

# 阈值：子域名熵值 > 3.5 = 可能是隧道/DGA

Splunk 熵值评分实现：

index=dns sourcetype="stream:dns"
| eval domain_parts = split(query, ".")
| eval check_string = mvindex(domain_parts, 0)
| eval check_len = len(check_string)
| where check_len > 8
| eval chars = split(check_string, "")
| stats count AS total_chars, dc(chars) AS unique_chars by query, src_ip, check_string, check_len
| eval entropy_estimate = log(unique_chars, 2) * (unique_chars / check_len)
| where entropy_estimate > 3.5
| stats count AS high_entropy_queries, dc(query) AS unique_queries by src_ip
| where high_entropy_queries > 50
| sort - high_entropy_queries

步骤 3：检测异常 DNS 查询量

识别产生异常 DNS 流量的主机：

index=dns sourcetype="stream:dns" earliest=-24h
| bin _time span=1h
| stats count AS queries, dc(query) AS unique_domains by src_ip, _time
| eventstats avg(queries) AS avg_queries, stdev(queries) AS stdev_queries by src_ip
| eval z_score = (queries - avg_queries) / stdev_queries
| where z_score > 3 OR queries > 5000
| sort - z_score
| table _time, src_ip, queries, unique_domains, avg_queries, z_score

检测 TXT 记录滥用（常见隧道方法）：

index=dns sourcetype="stream:dns" query_type="TXT"
| stats count AS txt_queries, dc(query) AS unique_txt_domains,
        values(query) AS domains by src_ip
| where txt_queries > 100
| eval suspicion = case(
    txt_queries > 1000, "CRITICAL — 可能是 DNS 隧道",
    txt_queries > 500, "HIGH — 可能是 DNS 隧道",
    txt_queries > 100, "MEDIUM — 异常 TXT 查询量"
  )
| sort - txt_queries
| table src_ip, txt_queries, unique_txt_domains, suspicion

步骤 4：检测已知 DNS 隧道工具

搜索常见 DNS 隧道工具的特征：

index=dns sourcetype="stream:dns"
| eval query_lower = lower(query)
| where (
    match(query_lower, "\.dnscat\.") OR
    match(query_lower, "\.dns2tcp\.") OR
    match(query_lower, "\.iodine\.") OR
    match(query_lower, "\.dnscapy\.") OR
    match(query_lower, "\.cobalt.*\.beacon") OR
    query_type="NULL" OR
    (query_type="TXT" AND len(query) > 100)
  )
| stats count by src_ip, query, query_type
| sort - count

检测 DNS over HTTPS（DoH）绕过本地 DNS：

index=proxy OR index=firewall
dest IN ("1.1.1.1", "1.0.0.1", "8.8.8.8", "8.8.4.4",
         "9.9.9.9", "149.112.112.112", "208.67.222.222")
dest_port=443
| stats sum(bytes_out) AS total_bytes, count AS connections by src_ip, dest
| where connections > 100 OR total_bytes > 10485760
| eval alert = "可能的 DoH 绕过 — 通过 HTTPS 将 DNS 查询发送到公共解析器"
| sort - total_bytes

步骤 5：将 DNS 发现与终端数据关联

将可疑 DNS 与进程数据进行交叉参考：

index=dns src_ip="192.168.1.105" query="*.evil-tunnel.com" earliest=-24h
| stats count AS dns_queries, earliest(_time) AS first_query, latest(_time) AS last_query
  by src_ip, query
| join src_ip [
    search index=sysmon EventCode=3 DestinationPort=53 Computer="WORKSTATION-042"
    | stats count AS connections, values(Image) AS processes by SourceIp
    | rename SourceIp AS src_ip
  ]
| table src_ip, query, dns_queries, first_query, last_query, processes

步骤 6：估算数据外泄量

估算 DNS 查询中编码数据的体积：

index=dns src_ip="192.168.1.105" query="*.evil-tunnel.com" earliest=-24h
| eval domain_parts = split(query, ".")
| eval encoded_data = mvindex(domain_parts, 0)
| eval encoded_bytes = len(encoded_data)
| eval decoded_bytes = encoded_bytes * 0.75  -- Base64 解码因子
| stats sum(decoded_bytes) AS total_bytes_estimated, count AS total_queries,
        earliest(_time) AS first_seen, latest(_time) AS last_seen
| eval estimated_kb = round(total_bytes_estimated / 1024, 1)
| eval estimated_mb = round(total_bytes_estimated / 1048576, 2)
| eval duration_hours = round((last_seen - first_seen) / 3600, 1)
| eval rate_kbps = round(estimated_kb / (duration_hours * 3600) * 8, 2)
| table total_queries, estimated_mb, duration_hours, rate_kbps, first_seen, last_seen

核心概念

| 术语 | 定义 | |------|-----------| | DNS 隧道 | 将数据编码在 DNS 查询/响应中，通过 DNS 外泄数据或建立 C2 信道的技术 | | DGA | 域名生成算法——恶意软件技术，生成伪随机域名以提高 C2 韧性 | | 香农熵 | 字符串随机性的数学度量——域名中高熵（>3.5）表明存在 DGA 或隧道 | | TXT 记录滥用 | 利用 DNS TXT 记录（设计用于文本数据）作为数据隧道的高带宽信道 | | DNS over HTTPS（DoH） | 通过 HTTPS（端口 443）加密的 DNS 查询，绕过传统 DNS 监控 | | 被动 DNS | 历史 DNS 解析记录，显示某域名随时间解析到的 IP 地址 |

工具与系统

• Splunk Stream：提供解析 DNS 查询数据的网络流量捕获插件，用于 SIEM 分析
• Zeek（Bro）：生成详细 DNS 事务日志的网络安全监视器
• Cisco Umbrella（OpenDNS）：云 DNS 安全平台，阻断恶意域名并记录查询数据
• Infoblox DNS Firewall：提供基于 RPZ 阻断和详细查询日志的 DNS 层安全
• Farsight DNSDB：被动 DNS 数据库，用于历史域名解析查询和基础设施映射

常见场景

• Cobalt Strike DNS Beacon：检测向 C2 域定期发送含编码载荷的 TXT 查询
• 数据外泄：大量唯一子域名查询，以 Base64/十六进制编码窃取的数据
• DGA 恶意软件：检测对算法生成域名的 DNS 查询（高熵、无 Web 内容）
• DNS-over-HTTPS 绕过：员工使用 DoH 绕过企业 DNS 过滤和监控
• 慢速滴漏式外泄：低量 DNS 隧道保持在阈值告警以下（需要与基线比较）

输出格式

DNS 外泄分析 — WORKSTATION-042
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
时间段：      2024-03-14 至 2024-03-15
来源：        192.168.1.105（WORKSTATION-042，财务部门）

发现：
  [CRITICAL] 检测到 DNS 隧道至 evil-tunnel[.]com
    查询量：        18 小时内 12,847 次查询
    平均子域名长：  63 字符（正常值：<20）
    平均熵值：      3.82（阈值：3.5）
    查询类型：      TXT（89%）、A（11%）
    估算数据量：    约 4.7 MB 通过 DNS 外泄
    速率：          0.58 kbps（慢速滴漏模式）

  [HIGH] 已解析 DGA 类域名
    唯一 DGA 域名：  247 个域名已解析
    模式：          15 字符随机字母数字.xyz TLD
    熵值范围：      3.6 - 4.1

进程归因：
  进程：   svchost_update.exe（伪装——非合法 svchost）
  PID：    4892
  父进程：  explorer.exe
  哈希：   SHA256: a1b2c3d4...（VT: 34/72 恶意 — Cobalt Strike Beacon）

遏制措施：
  [已完成] 主机已通过 EDR 隔离
  [已完成] 域名 evil-tunnel[.]com 已添加到 DNS 沉洞
  [已完成] 事件 IR-2024-0448 已创建