Дмитрий Лебедев
Дал знакомому посмотреть сайт, который дома тестирую. Он посмотрел, похвалил,
а я решил посмотреть, что он видел. Открываю логи Апача, смотрю и через
некоторое время обнаруживаю, что кроме товарища ещё кто-то лазил на мой домашний
сервер.
Вот он, вирус CodeRed, о котором так долго твердили
большевики.
"GET
/default.ida?XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX%u9090%u6858%ucbd3%u780 1%u9090%u6858%ucbd3%u7801%u9090%u6858%ucbd3%u7801%u90 90%u9090%u8190%u00c3%u0003%u8b00%u531b%u53ff%u0078%u0 000%u00=a
HTTP/1.0" 404 270
В те моменты, когда я подключался к сети по диалапу со включенным Апачем, ко
мне, словно звуки далёкой канонады, приходили такие запросы. Учитывая то, что в
IPv4 2^32 адресов, по которым вирус рассылается случайным образом, можно
восхищаться масштабами его распространения.
Заодно перенастроил правила в
Atguard, чтобы не разрешать соединяться с Апачем откуда-то ни было кроме
127.0.0.1.
Кстати, именно как по эху - вернее как по кругам на воде -
недавно замерили активность и направленность DoS-атак во всём интернете (русский
комментарий к результатам - здесь [1]). При
отправке запроса на соединение хулиган, чтобы не быть пойманным, меняет обратный
адрес IP-пакета на случайный. Имея много ip-адресов, можно собирать приходящие
ответы от атакуемых серверов и делать расчёты. Интересно, можно ли, слушая
запросы из сети и имея алгоритм выбора случайного числа вируса CodeRed
(насколько я понял из сетевых обзоров, две его версии можно отличить по строке
запроса), подсчитывать количество заражённых?
RomikChef прислал
описание оптимизации работы с логами.
О! Какая статья интересная, а я
и не читал :-( А может, и хорошо, что не читал, потому что всё по-другому
сделал. Мне кажется, что у Димы не очень удачная организация базы.
У меня
запись занимает ровно 20 байт. может быть, это тоже не самая удачная, но, сами
понимаете, размер на порядок, а то и на два меньше.
id - 4 байта ip -
4 байта таймстамп - 4 байта дальше идут ссылки на словари, каждая по 2
байта page - $PHP_SELF agent - бровзер реферер - реферер баннер -
баннер
Теперь по пунктам.
- ip, упакованный в 4 байта, это,
конечно, короче, чем хост. Тем более, что толку от хоста в базе нет. И
группировать по int, мне кажется, база будет быстрее, чем по строкам. Да, вывод
информации происходит медленнее, поскольку надо ресолвить сразу кучу адресов. Но
я могу и подождать - при просмотре торопиться некуда. Имхо. А вот при записи на
ресолвинг времени не тратится. - таймстамп не родной, а юниксовский. И не
потому, что родной занимает на 1 байт больше, а потому, что когда пришлось логи
малость подправить, сами понимаете, стампы все сбились. - page. Это понятно.
Словарь всех страниц сайта. Таблица небольшая, всё летает. - агент. То же
самое. - баннер - тоже понятно. Какой баннер был показан. - реферер. Самое
шаткое место. Да, таблица растет. но, как вы понимаете, 90% рефереров - со
своего сайта. В принципе, одиночные реферера можно и почистить. Query_string у
внутренних рефереров отсекается. У чужих - отсекается тоже и пишется отдельно,
для анализов.
Теперь по замечаниям в обсуждениях. Да, я пишу все хиты.
Во-первых, при моем размере записи это не напряжно. во-вторых, если чувак нажал
релоад, ему показался другой баннер, мне это надо учитывать.
И ещё.
Вопрос. Кто как отличает роботов от людей? Я определяю по включенной графике. И
в принципе, моя статистика не сильно разнится со спайлоговской.
Что
там у меня было раньше?
CREATE TABLE logs (
date datetime DEFAULT '0000-00-00 00:00:00' NOT NULL,
(можно TIMESTAMP)
ip varchar(16) NOT NULL,
host varchar(255) NOT NULL,
browser varchar(64) NOT NULL,
referer varchar(255) NOT NULL,
request_uri varchar(255) NOT NULL,
);
Признаться, я делал эту систему, когда не знал существования функций ip2long [2] и long2ip [3]. Потом
переделывать руки не доходили. А преобразуется ip-адрес в целое число
переведением всех четырёх чисел адреса в двоичный код (с дополнительными нулями:
255 переводится в 11111111, а 4 - в 00000100), убираются точки, и получившееся
число переводится обратно в десятичный. В IPv4 может быть 2^32 адресов, т.е.
(2^8)^4 - итого число занимает четыре байта.
Timestamp из Юникса пишется
просто - функция UNIX_TIMESTAMP. Выбирается так же просто - для группировки по
дням, неделям, дням недели или чему-то ещё используется стандартная функция
MySQL FROM_UNIXTIME:
SELECT
DATE_FORMAT(FROM_UNIXTIME(date),'%e.%m.%Y') AS date_group, COUNT(ip) AS visits
FROM logs GROUP BY date_group ORDER BY
DATE_FORMAT(FROM_UNIXTIME(date),'%Y%m%d');
Чем больше узнаёшь возможностей MySQL, тем больше кажется, что ты ничего не
знаешь. Каких там функций только нет!
В чём я не уверен, так это в
целесообразности держания словарей адресов, рефереров и броузеров. Надо при
записи лога выбирать идентификаторы, проверять, вставлять новую запись, если
таковой не нашлось.
$page_result = mysql_query("SELECT
id FROM page WHERE address='$PHP_SELF'"); if
(@mysql_num_rows($page_result)==1) $page_id = mysql_result($page_result,
0); elseif (!mysql_error()) { mysql_query("INSERT INTO page
(address) VALUES ('$PHP_SELF')"); $page_id =
mysql_insert_id(); };
Не хочется объединять таблицы при запросе, хотя меньше данных надо
обрабатывать - в главной таблице объём файла становится гораздо меньше, что
ускоряет работу. Неясно, правда, сколько дополнительного времени это займёт при
записи логов. По этому вопросу и мне, и Ромику хотелось бы услышать мнение
общественности. Прошу высказываться в отзывах.
Литература по Internet
|