ORACLE

O projeto Oracle visa automatizar o processo de geração de regras de Script Fencing para um script, tornando esta abordagem fácil de usar, manter e validar. Deste modo, permitindo, e de forma complementar à solução WPI, adicionar uma camada extra de proteção a uma aplicação web. Para este fim, o objetivo principal do projeto é construir uma base de dados completa e atualizada, de modelos comportamentais para vários scripts de provedores de serviços, que possam ser usados para gerar automaticamente regras de Script Fencing para esses mesmos scripts. De forma inerente a este objetivo, é possível destacar três outros objetivos do projeto, nomeadamente, a implementação de um algoritmo que permita modular o comportamento de um script de forma automática e completa; a implementação de um módulo que permita consultar a base de dados através do reconhecimento dos scripts recebidos como input; e por fim, a geração automática de regras de Script Fencing. No contexto do projeto, define-se modelo comportamental como uma forma de representar o comportamento normal de um script, que pode incluir, mas não só, dados binários - como se o script envia ou não pedidos de rede -, e dados mais detalhados - como os endpoints que contacta. É importante salientar que o projeto objetiva construir modelos comportamentais a partir dos dados recolhidos de diversos scripts, no entanto, o desenvolvimento do módulo de recolha dos dados não está incluído no âmbito do projeto, sendo este módulo interno à empresa, mas independente do projeto em questão. Uma componente importante do projeto é o módulo que permite consultar a base de dados, uma vez que necessita de identificar, com um certo grau de confiança, que um script recebido corresponde a outro script presente na base de dados, de modo a consultar o seu modelo comportamental. Este processo de identificação de scripts não é uma tarefa trivial, uma vez que é preciso definir bem o que se compreende como igualdade entre scripts. Neste contexto, pode acontecer que certos scripts não estejam presentes na base de dados, tornando impossível obter uma correspondência exata aquando da consulta. Assim sendo, é relevante explorar abordagens de aprendizagem não supervisionada, como clustering, para identificar scripts de versões desconhecidas de um certo provedor de serviços ou até scripts de provedores de serviços desconhecidos à base de dados. Deste modo, seria possível identificar que um script é uma implementação de um certo provedor de serviços, mesmo sem saber a versão, ou até identificar que o mesmo se enquadra num certo grupo de provedores de serviços. Sem este tipo de abordagem de machine learning é possível que muitos dos scripts não cheguem a ser identificados. Embora tais soluções não permitam a geração automática de regras para scripts desconhecidos, seriam valiosas no processo manual de identificação desses mesmos scripts para que sejam adicionados à base de dados, trazendo enorme valor ao processo de escalamento do projeto. Por fim, o último objetivo prende-se com a geração automática de regras de Script Fencing. O objetivo é que estas regras possam ser facilmente adicionadas a WPI para proteger a aplicação de forma mais rigorosa e precisa. Aquando da atualização de um destes scripts, o processo seria executado novamente, tornando a manutenção destas regras um processo simples e com pouca intervenção humana, diminuindo, por conseguinte, os custos a ele associados.