0
| 本文作者： 李勤 | 2017-07-27 19:06 |
本文作者：李勤，雷鋒網(wǎng)宅客頻道。
你聽過黑話嗎？
有！
天龍蓋地虎
寶塔鎮(zhèn)河妖
不不不，這句黑話已經(jīng)OUT很久了。
----以下是一組分割線，上下沒有關(guān)聯(lián)----
今天（7月26日），藍蓮花(Blue-Lotus)戰(zhàn)隊組建人之一的清華教授段海新介紹了一些網(wǎng)絡(luò)黑產(chǎn)的黑話更讓人大開眼界（藍蓮花有多牛，你可以搜索一下）。
下面進入自我測試時間，如果這些黑話你都能看懂，也許你是黑產(chǎn)研究學(xué)八級，要么就是經(jīng)歷很豐富：
菠菜
平馬二中一
丁香五月天
咕嚕咕嚕出肉
段海新靦腆地介紹了一下第一個詞，“菠菜”就是“博彩”的意思，后面三個他居然沒解釋。
好奇的雷鋒網(wǎng)隨便搜索了其中一個關(guān)鍵詞，顯示出如下的搜索結(jié)果，嚇得我趕緊捂上了眼睛：
裝作看不懂的樣子，繼續(xù)聽段教授講故事。
網(wǎng)絡(luò)黑產(chǎn)，無奇不有，黃賭毒尤甚。
這些黃賭毒網(wǎng)站為了在搜索界面搶占更有利的位置，往往會對一些權(quán)重較高的網(wǎng)站進行劫持，比如以edu.cn或gov.cn結(jié)尾的網(wǎng)站。
你只是想打開一個高校的官網(wǎng)或一個政府網(wǎng)站，一不小心就進入了不可言說的世界。
你只能感嘆一句：黑產(chǎn)推廣真是喪心病狂。
然而，這并不算什么。黃賭毒和詐騙類網(wǎng)站為了推廣自己，還會借助一種技術(shù)：蜘蛛池。
蜘蛛池就是一堆由垃圾域名組成的站群，在每個站點下都生成海量頁面（抓一堆文本內(nèi)容相互組合），頁面模板與正常網(wǎng)頁沒多大區(qū)別。給那些未收錄的頁面，在短時間內(nèi)提供大量的真實的外鏈，入口曝光多了，被抓取幾率就大，收錄率自然也就上去了，又因為是外鏈，所以在排名上也有一定的正向加分。
如果你再稍微了解一點搜索技術(shù)，說白了，就是人為制造了一張不斷變大的網(wǎng)，把蜘蛛困在里面，讓它不斷的爬行網(wǎng)內(nèi)的頁面。
總而言之，就是網(wǎng)絡(luò)黑產(chǎn)不斷地用各種手段推廣自己，爭奪注意力。
為了打掉黑產(chǎn)網(wǎng)站，就要研究黑產(chǎn)網(wǎng)站的 SEO！也因此，段海新發(fā)現(xiàn)了伴隨黑產(chǎn)網(wǎng)站出現(xiàn)的是“黑產(chǎn)詞”：這些網(wǎng)站總有一些關(guān)鍵詞像“標(biāo)簽”一樣地貼在自己身上。
正經(jīng)的說法是：
“黑產(chǎn)詞”是伴隨黑產(chǎn)出現(xiàn)的產(chǎn)品同義詞及違法產(chǎn)品本身的關(guān)鍵詞的統(tǒng)稱。非法商販和買家通過協(xié)定新的詞匯表示一種產(chǎn)品，以此躲避監(jiān)管。
這些隱蔽的“黑產(chǎn)詞”通常會扭曲常用詞含義，導(dǎo)致“外行人”無法理解其背后的含義，上面舉例的一些即是“黑產(chǎn)詞”。
這里有個小插曲值得一提。
清華大學(xué)有一個優(yōu)雅的小院名為“怡春院”，曾作為校機關(guān)的辦公場所，但是，扭曲的黑產(chǎn)居然把這個詞變成了……額……
通過搜索引擎查詢“怡春院”這歌關(guān)鍵詞，國內(nèi)外主流搜索引擎搜出來的都是成人社區(qū)（Google除外）。
他推測，也許這些搜索引擎比較真實地反映了用戶搜索的需求。
雷鋒網(wǎng)了解到，被推廣的“黑產(chǎn)詞“可以通過自動化方式檢測出來。人們在查詢某個商品時，可能會反復(fù)觸及到多個類似“黑產(chǎn)詞”的網(wǎng)站頁面，這些頁面有可能包含惡意或欺詐內(nèi)容。
好消息是，利用搜索引擎查詢相關(guān)頁面，并結(jié)合相關(guān)搜索擴展查詢結(jié)果，最后采用算法可將結(jié)果融合判定是否為黑產(chǎn)詞，段海新和他的研究團隊做的就是這件事情（也許并不是為了報“怡春院”之仇）。
如何通過自動化手段檢測一些新的黑產(chǎn)黑話？
先來了解一下黑產(chǎn)網(wǎng)站是怎么推廣的。段海新介紹，比如，毒品商家找到做非法 SEO 引擎優(yōu)化的推廣商，根據(jù)產(chǎn)品和關(guān)鍵詞進行優(yōu)化，搜索引擎的爬蟲自動到網(wǎng)站上抓取內(nèi)容，用戶搜索時，就有可能被指向這個毒品網(wǎng)站。
因此，段海新的研究團隊想出的對抗辦法是：
1.輸入兩部分?jǐn)?shù)據(jù)，一部分是搜索引擎廠商提供的惡意URL列表，另一部分是從蜘蛛池推廣網(wǎng)站中抓取的200多萬頁面，在這些頁面中提取的關(guān)鍵詞。
2.過濾掉這些詞中的合法詞匯（白詞），然后再到搜索引擎中驗證一次，是否觸發(fā)了搜索引擎的報警。
3.利用搜索引擎廠商的相關(guān)搜索進行擴展。
最終，就能找到“正確的黑話”。
看上去，三個步驟很簡單，但是隱藏了三個復(fù)雜的問題——
1.如何提取關(guān)鍵詞？
黑產(chǎn)關(guān)鍵詞可能會出現(xiàn)在黑產(chǎn)網(wǎng)站的任何一個頁面，在嘗試很多區(qū)域后，段海新發(fā)現(xiàn)，明文可點擊區(qū)域的效果最明顯。
你要問了，如果黑產(chǎn)把黑詞放在別的地方是否可以逃避檢測？
并沒有那么容易，如果黑產(chǎn)想逃避檢測，帶來的副作用是， 搜索引擎的爬蟲也無法搜索到這些關(guān)鍵詞。
2.如何過濾白詞？
用自然語言理解的方法非常困難，但段海新的團隊發(fā)現(xiàn)了一個簡單的方法：很多詞都是從新聞熱點中抓取過來，而這些新聞標(biāo)題比較長，所以我們就把超過一定長度的新聞標(biāo)題過濾掉。
3.如何判斷是白詞還是黑詞？
比如，“清華”是一個白詞，所以搜索結(jié)果比較干凈，而且搜索引擎已經(jīng)把清華的頁面標(biāo)注，但是搜索“菠菜”，三條以上的搜索結(jié)果標(biāo)注為報警，那么，這個詞就可能有問題。
因為“相關(guān)搜索”關(guān)聯(lián)了用戶的搜索行為，用戶輸入了一個詞匯，但沒有點擊任何一個鏈接，又搜索了下一個詞匯，那么證明第一個詞匯和第二個詞匯是相關(guān)的；用戶搜索了一個關(guān)鍵詞，點擊了一個鏈接，那么證明這歌鏈接里的關(guān)鍵詞與這個搜索詞相關(guān)。
于是，段海新和研究團隊得到了 40 萬個推廣的黑產(chǎn)詞匯，確定其中 94%為黑詞，去掉地名等"長尾"修飾詞最終得到了 1500 個左右的核心詞，手工分成了六類，并提取了相關(guān)的域名和URL 還有 100萬－200萬個。
為了驗證這些“黑詞”是真的黑詞，他們在2個不同的搜索引擎中再次搜索新黑詞，比如，搜索“＊＊＊商人”，某歌前10頁全是與賭博相關(guān)的結(jié)果，則可以證明 SEO 的效果“非常好”，這些詞是有效的新黑詞。
拿到了黑詞之后，有什么用？
（當(dāng)然是為了打掉黑產(chǎn)，報“怡春院”之仇咯
）
開個玩笑。
雷鋒網(wǎng)了解到，段海新和他的同事們做了一個厚厚的研究報告，來討論黑詞的“用處”，他也簡單介紹了幾個用途：
1.基于黑產(chǎn)推廣頁面留下的電話號碼，他們進行了統(tǒng)計，發(fā)現(xiàn)黑產(chǎn)電話號碼歸屬地最多的是山東，徐玉玉案件發(fā)生在山東，也許不是偶然事件。
2.他們依據(jù)這些黑詞對貼吧、論壇進行了統(tǒng)計，發(fā)現(xiàn)這些黑詞在貼吧和論壇普遍存在，如果將這些黑詞反饋給搜索引擎廠商，再次搜索，可以凈化搜索結(jié)果，還可以凈化論壇、網(wǎng)上商店。
3.利用現(xiàn)在擴展的黑詞，在教育類和政府類網(wǎng)站進行搜索，發(fā)現(xiàn)大量被攻破的網(wǎng)站。
目前，段海新的研究團隊正在與百度合作，應(yīng)用其研究成果。
注：該文引用了段海新在2017網(wǎng)絡(luò)安全生態(tài)峰會上的部分發(fā)言，該論壇由阿里巴巴和螞蟻金服共同主辦，干貨十足。
－－寫在最后的話－－
阿里巴巴的小伙伴告訴雷鋒網(wǎng)，阿里也在淘寶上應(yīng)用了相關(guān)對抗“黑話”的技術(shù)，在實際應(yīng)用過程中，還要面對更多變得連親媽都不認(rèn)識的“黑詞”
，對抗升級更可怕。
于是，雷鋒網(wǎng)決定，在接下來的某一期中，探討阿里到底應(yīng)用了哪些“黑詞”檢測與對抗技術(shù)，敬請期待。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
