WordPress-плагины являются одним из самых распространенных векторов атак на веб-сайты. Злоумышленники часто маскируют бэкдоры под легитимные хуки — фильтры и экшены, которые выглядят как штатный код. Традиционные методы сигнатурного анализа не справляются с такими угрозами, поскольку вредоносная логика может не содержать известных сигнатур и выполняться только при определенных условиях. В этой статье мы рассмотрим, как нейросетевое профилирование цепочек вызовов позволяет выявлять аномалии в поведении хуков и обнаруживать скрытые бэкдоры.
Хуки WordPress (фильтры и экшены) предоставляют разработчикам мощный механизм расширения функциональности. Однако та же гибкость позволяет злоумышленникам внедрять вредоносный код, который активируется только при наличии специальных параметров запроса или при определенных действиях администратора. Например, бэкдор может быть зарегистрирован как фильтр на хук init и проверять наличие секретного GET-параметра для выполнения произвольного кода. Такой код может годами оставаться незамеченным, если не проводить глубокий анализ поведения.
Хуки позволяют добавлять свои функции к событиям WordPress. Фильтры модифицируют данные, а экшены выполняют действия в определенный момент. Уязвимость заключается в том, что любой плагин может зарегистрировать хук с произвольным именем и приоритетом, и отследить все возможные комбинации вручную практически невозможно. Злоумышленники пользуются этим, создавая цепочки вызовов, которые внешне выглядят как обычная логика плагина, но содержат скрытые ветвления.
Идея метода состоит в том, чтобы построить модель нормального поведения для каждого хука на основе анализа большого количества легитимных плагинов. Для этого собираются последовательности вызовов функций внутри хуков, включая передаваемые аргументы и контекст. Нейросеть (например, автоэнкодер или LSTM) обучается предсказывать следующую функцию в цепочке или восстанавливать входные данные. Аномалией считается цепочка, которая плохо восстанавливается моделью или имеет высокую ошибку предсказания. Такой подход позволяет выявлять даже незначительные отклонения, характерные для бэкдоров.
Рассмотрим плагин, который регистрирует фильтр the_content для добавления рекламного блока. В легитимной версии фильтр вызывает функцию wp_kses_post и возвращает измененный контент. В зараженной версии добавляется условие: если в запросе присутствует параметр debug=1, то вызывается eval(base64_decode($_GET['cmd'])). Нейросетевая модель, обученная на нормальных фильтрах the_content, заметит аномалию: вызов eval и base64_decode нехарактерен для этого хука, а также появится нетипичная ветка с проверкой GET-параметра.
Приведем несколько сценариев, которые может выявить анализ аномалий:
wp_ajax_my_action сначала проверяются права пользователя, затем выполняется действие. Бэкдор может пропускать проверку прав и сразу вызывать опасную функцию.wp_mail обычно получает массив с полями to, subject, message. Аномалией будет передача в этот фильтр параметра cmd или exec.eval, assert, system, file_put_contents с динамическими именами файлов.Нейросетевое профилирование цепочек вызовов в хуках WordPress-плагинов представляет собой эффективный метод обнаружения скрытых бэкдоров, замаскированных под легитимные фильтры и экшены. Анализ аномалий позволяет выявлять отклонения в поведении, которые не видны при сигнатурном сканировании. Внедрение такого подхода требует сбора данных, обучения модели и настройки мониторинга, но значительно повышает уровень безопасности WordPress-сайтов.







