Upgrade to Pro — share decks privately, control downloads, hide ads and more …

다크웹 크롤링 엔진 개발기

다크웹 크롤링 엔진 개발기

https://github.com/bunseokbot/darklight
2019 SSG 빵빵빵 내부 세미나 발표용

Kim Namjun

March 16, 2019

Transcript

52 slides
  1. 오늘 말할 것 • 다크웹 간단하게 소개 • 크롤링 엔진

    제작기 • 케이스 분석 • 아동 포르노 웹 사이트 운영자 자금 추적 • 다크웹 사이트 관계 분석 방법
  2. 다크웹? • 특정 소프트웨어 (Tor) 나 접속 허가가 있어야만 접속할

    수 있는 사이트 • 불법자료, 개인정보, 무기거래, 청부살인, 성범죄 등의 정보가 있음 • 대놓고 하기에는 법적인 문제가 있는 사이트가 주로 이룸 • 당연하지만 구글, 네이버 등에 검색이 되지 않음
  3. 계기 • Elastic 사의 광고
 “다크웹 정보 수집 방법”에 관한

    글 • 나도 해볼 수 있지 않을까? • 다크웹을 생각보다 해본 사람이 없다 • 언제나 삽질은 welcome
  4. 설계 • 일단 제일 유명한 Tor network 기반으로 작동 •

    도메인 수집 - 크롤링 - 정보 저장까지 모든 프로세스를 자동화 • 말 그대로 엔진의 기능에 충실한 설계 • 최소의 자원으로 최대의 정보를 수집할 수 있는 것에 중점을 둠
  5. Collector • 지금 이 시각에도 수 많은 onion 도메인이 생성되거나

    폐기된다 • 이런 도메인을 수시로 수집해서 넣어줘야 데이터가 풍부해진다 • ?
  6. Collector • collector는 언제든지 추가, 비활성화, 삭제할 수 있습니다 •

    여러분이 원하는 방법으로 수집할 수 있습니다 저장은 알아서 합니다 • 저장과 동시에 crawler에게 job을 던져 줍니다 • 여러분은 그냥 수집만 하세요 그게 편합니다
  7. Crawler • 웹 사이트의 정보를 수집하는 제일 중요한 친구 •

    이 친구 없으면 엔진은 그냥 빛 좋은 개살구
  8. Headless Browser • Graphic User Interface가 없는 Web Browser •

    원래는 웹 사이트 테스트 목적으로 개발됨 • Javascript rendering, CSS 지원되는 머리 없는 브라우저
  9. Screenshot • HTML 코드만 봐서는 어떻게 생긴 웹 사이트인지 알

    수 없다 • 크롤링 시에 스크린샷을 촬영하여 사이트의 전체적인 모습을 알 수 있게 한다 • 단, 불법적인 콘텐츠가 노출되는 웹 사이트 때문에 img 태그에 대해서는 블러링 작업 진행하여 법적인 문제 해결
  10. Port scanner • 엔진에 자체 포트 스캐너 내장 • HTTP,

    SSH, RDP와 같은 well-known 포트에 대해서 오픈 여부만 확인 • 웹 서비스 말고도 다른 서비스가 운영되고 있는지 확인할 수 있음
  11. HAR Log entries • HTTP Archive Log • 아래 이런

    식으로 웹 사이트가 로딩 될 때 어떠한 것을 가져왔는지 알 수 있음
  12. Language Detection • 해당 사이트가 어떠한 언어로 되어있는지 알아야 한다

    • Elasticsearch의 lang-detector와 HTML encoding을 위한 language code
  13. Pipeline • 데이터를 저장하기 전 웹사이트에서 추출 하고자 하는 정보를

    저장할 수 있는 기능 • 사용자가 뽑아내고 싶은 정보를 추출하는 파서를 짜서 올리면 끝!
  14. Pipeline • Google Analytics Key • Site Verification Key •

    Email address • Bitcoin wallet address • PGP Key •
  15. 관리 • 이렇게 열심히 만들면 뭐 하는 가, 쓰기 어려우면

    안된다 (쉽게) • 최대한 많은 플랫폼을 지원해야 한다 • 사용자에 의한 Customization이 활발히 이루어 질 수 있도록 해야 한다 • 읽고 이해할 수 있는 문서화 (위키)
  16. Docker • 컨테이너 기반 오픈소스 가상화 플랫폼 • 윈도우, 리눅스,

    MacOS 모두 사용할 수 있음 (단, Windows는 Hyper-V를 켜야 함)
  17. 케이스 분석 • 직접 개발한 엔진 돌아가는 모습 구경하기 •

    아동 포르노 서비스 운영자 추적 • 딥웹 사이트 관계 분석
  18. DarkLight Engine • 현재 개발은 완료 했으나 테스트 중인 엔진

    모습을 직접 구경시켜 드립니다 • 만우절날 Github을 통해 공개할 예정 • 현재 운영중인 darklight.kr 웹 사이트랑 연동은 계획 예정.. • 지금은 Kibana 페이지로 보여 드립니다
  19. 아동 포르노 서비스 운영자 • 운영자에 대한 비트코인 지갑 주소를

    통해 자금 흐름을 추적한다. • 추적 내용은 아래 사이트에도 같이 올라가 있음. (한국어) • https://iam.namjun.kim/darkweb/2018/09/15/tracking-darkweb-trace-intro/
  20. 비트코인 지갑? • 분산장부라고 하지만.. 이 설명은 건너뛰고 • 그냥

    간단하게 생각하면 여러분의 송금 이체 내역이 세상 모두가 알 수 있습니다. • 누가 만들었는진 모르지만 너의 거래 내역은 모두 알 수 있지 • 그러면 누가 돈을 보냈는지 알 수 있지 않을까?
  21. 결론 • IBAN은 중동, 유럽 지역에서 사용하는 국제공통계좌번호(?)다 • 해당

    거래소는 유로가 기본 화폐 단위다 • 이를 통해 운영자는 유럽 지역 또는 중동 지역에 거주지를 둔 사람으로 추정할 수 있다. • 단, 거래소로 들어간 코인은 협조 없이 누가 출금 했는지 알 수 없다 • 내가 할 수 있는 곳은 여기까지..
  22. 딥웹 사이트 관계 분석 • onion 도메인의 특성 상 생성하는데

    별도의 비용이 발생하지 않음 • 많은 도메인을 통해 다양한 위치의 사용자를 유치하는데 사용함 • 목표: 사이트 운영자가 얼마나 많은 도메인을 가지고 사이트를 운영하는지 알아낸다
  23. 처음엔 • 원래 목표는 코딩 스타일을 검색하는 것.. • 그러나

    이건 거의 불가능에 가까움 (그냥 불가능임) • github, stackoverflow에서 붙여쓰는 경우 그냥 답이 없어짐 • 그래서 목표를 유사 사이트를 찾아 그 유사도를 가지고 엮기
  24. 사이트에 남은 흔적들 • Google Site Verification • Let’s Encrypt

    Site Verification • Google Analytics • Baidu Analytics •
  25. 부록, 웹 사이트 텍스트 추출 • [주의] 아직 완성되지 않은

    기능입니다 • 웹 사이트 내에서 사람에게 보여주는 텍스트를 추출한다 • 단, style, script 등과 같은 tag는 예외처리를 한다 • 현재는 검색 시에 사용하고 있지만 텍스트 유사도도 도입 할 예정
  26. 앞으로의 계획 DarkLight Engine Headless Browser Docker Collector DarkLight Database

    Elasticsearch Docker Pipeline MariaDB DarkLight Web Service Flask Docker Vue.js with TS

More Decks by Kim Namjun

Other Decks in Programming