| name | analyzing-dns-logs-for-exfiltration |
| description | 分析 DNS 查询日志，利用熵值分析、查询量异常检测和子域名长度检测，在 SIEM 平台中检测 DNS 隧道数据外泄、DGA 域名通信和隐蔽 C2 信道。适用于 SOC 团队识别绕过传统网络安全控制的 DNS 威胁。
|
| domain | cybersecurity |
| subdomain | soc-operations |
| tags | ["soc","dns","exfiltration","dns-tunneling","dga","c2-detection","splunk","threat-detection"] |
| version | 1.0 |
| author | mahipal |
| license | Apache-2.0 |
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)
normal_domain = "google"
dga_domain = "x8kj2m9p4qw7n"
tunnel_subdomain = "aGVsbG8gd29ybGQ.evil.com"
print(f"正常: {shannon_entropy(normal_domain)}")
print(f"DGA: {shannon_entropy(dga_domain)}")
print(f"隧道: {shannon_entropy(tunnel_subdomain)}")
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
