慢速分布式CC攻击之所以比传统高并发CC更难防,是因为它在请求速率、连接行为和报文结构上都刻意模仿真实用户。攻击者不再追求瞬间打满服务器连接数,而是通过大量肉鸡或代理节点,以极低频率、极长连接保持时间和随机化的请求间隔,逐步耗尽Web服务器、中间件或后端数据库的连接池与线程资源。识别这类攻击的核心不在于“看谁请求快”,而在于“看谁占着资源不释放、行为模式异常但又不触发单IP阈值”。

要准确识别慢速分布式CC攻击请求,首先需要把监控维度从“每秒请求数”切换到“连接持续时间”“单连接请求间隔”“请求体传输速率”和“同一会话内资源请求序列”上。慢速CC通常表现为TCP连接建立后长时间不完成HTTP请求,或者Header发送极慢,又或者Body以极低速率传输。很多攻击工具会把Content-Length声明得很大,然后每几十秒发送一个字节,导致服务器线程一直阻塞在读取状态。这类特征在Nginx或Apache日志里不会直接体现为高QPS,但通过监控连接状态表可以明显看到大量ESTABLISHED连接处于读取中,且持续时间远超正常用户。

从连接层识别慢速CC的关键指标

在服务器层面,可以通过netstat或ss命令统计当前连接状态。正常用户的HTTP连接通常在几秒内完成请求并释放,而慢速CC连接会长时间停留在ESTABLISHED状态,且Recv-Q或Send-Q持续不为零。例如执行以下命令可以快速查看当前连接中持续时间较长的条目:

ss -tan state established '( dport = :80 or dport = :443 )' | awk '{print $4, $5, $6}' | sort | uniq -c | sort -rn | head -50

如果发现大量来自不同IP的连接,其连接持续时间超过30秒甚至数分钟,且单个IP的连接数并不多,这就需要进一步分析这些连接是否在缓慢发送请求头或请求体。慢速分布式CC的典型特征就是单IP并发低、总IP数量大、连接存活时间长,这正是为了绕过基于单IP频率限制的防护策略。

从请求速率和间隔识别慢速CC

传统CC攻击的请求间隔极短,通常在毫秒级连续请求同一URL。而慢速分布式CC的请求间隔可能长达5秒、10秒甚至30秒,但攻击节点数量庞大,整体上仍然能对后端造成持续压力。识别这类请求需要在应用层记录每个会话的请求时间戳,并计算相邻请求的时间差。正常用户在浏览页面时,请求间隔会呈现一定随机性,但通常会伴随资源加载的集中爆发,比如打开一个页面后短时间内请求多个CSS、JS和图片文件。慢速CC攻击则往往只请求一个或少数几个目标URL,间隔均匀或伪随机,且不会主动加载页面关联资源。

一个有效的识别方法是在反向代理层统计每个IP在单位时间窗口内的请求数,同时统计该IP的请求间隔方差。攻击节点为了保持隐蔽,间隔方差往往较小,而真实用户的间隔方差较大。例如正常用户可能在1秒内请求5个资源,然后停顿10秒再请求下一个页面;慢速CC节点则可能每8秒请求一次,持续数小时。这种“规律性”本身就是强特征。

从请求完整性和报文特征识别慢速CC

慢速CC攻击经常利用HTTP协议的特性,故意不发送完整的请求头或请求体。例如攻击者发送一个不完整的Header,缺少结尾的CRLF CRLF,服务器就会一直等待剩余数据。或者声明Content-Length为很大的值,但实际发送速率极低。这类攻击在日志中可能看不到完整的请求行,但在TCP层可以看到连接已经建立且服务器接收缓冲区有少量数据。通过抓包分析可以清晰看到攻击报文与正常报文的差异:正常请求的Header通常在1-2个TCP包内发送完毕,而慢速攻击的Header可能分散在几十个包中,每个包之间间隔数秒。

在Nginx中可以通过配置client_header_timeout和client_body_timeout来限制等待时间,但这只能缓解问题,不能根治。更有效的做法是在前端部署支持慢速攻击检测的WAF或流量分析系统,实时计算每个连接的字节到达速率。如果某个连接在建立后10秒内只发送了不到100字节,且没有完成Header,就可以直接判定为慢速攻击并断开连接。对于HTTPS流量,还需要关注TLS握手阶段是否存在类似的慢速行为,比如客户端发送ClientHello后长时间不完成密钥交换。

从资源消耗模式识别慢速分布式CC

慢速分布式CC的最终目的是消耗服务器资源,因此观察资源消耗的分布情况比单纯看流量更有价值。正常业务高峰期的资源消耗通常与请求量成正比,CPU、内存、连接数、磁盘IO会同步上升。而慢速CC攻击期间,连接数会显著上升,但QPS可能并不高,CPU使用率可能也不高,内存和线程数却持续增长。这是因为每个慢速连接都会占用一个线程或进程,即使该连接没有产生实际业务处理,线程本身也会消耗内存和调度资源。

以Apache的prefork模式为例,每个连接会占用一个独立的进程,慢速CC攻击者只需要维持数千个慢速连接,就能让服务器达到MaxRequestWorkers上限,导致正常用户无法建立新连接。在Tomcat或Java应用服务器中,慢速CC会耗尽线程池,导致请求排队时间急剧增加。通过监控应用服务器的线程池使用率、请求排队长度和连接平均处理时间,可以更早发现慢速CC的迹象。如果线程池使用率持续接近100%,但QPS只有平时的50%,基本可以确定存在大量慢速请求占用线程。

基于行为分析的识别策略

单靠阈值规则很难彻底识别慢速分布式CC,因为攻击者会不断调整请求速率和间隔来绕过固定阈值。更可靠的方式是建立行为基线,对每个IP或会话进行多维度的行为画像。正常用户的行为具有明显的业务逻辑特征:访问首页后请求静态资源,然后可能访问列表页、详情页,最后离开。慢速CC攻击节点往往只请求一个或少数几个URL,且不会触发页面内的关联资源请求。这种“孤立请求”模式可以通过分析访问日志中的Referer和资源加载序列来识别。

例如,一个正常用户访问某个详情页时,通常会在短时间内请求该页面引用的图片、CSS和JS文件。如果某个IP只请求了详情页本身,且间隔固定,从不请求任何静态资源,那么它很可能是自动化攻击节点。更进一步,可以分析请求的User-Agent、Accept、Accept-Language等Header的组合是否与真实浏览器一致。很多慢速CC工具虽然能伪造UA,但在Header顺序、大小写、压缩算法支持等方面会露出破绽。通过建立正常浏览器指纹库,对每个请求进行相似度评分,可以识别出大量伪装成浏览器的攻击流量。

分布式维度的关联识别

慢速分布式CC的难点在于攻击来源分散,单个IP的行为可能完全正常,只有把所有IP的行为聚合起来才能发现攻击模式。因此需要在全局层面进行关联分析,而不是只看单个IP。例如,如果突然有大量IP在同一时间段内开始请求同一个URL,且这些IP的地理位置、运营商、网络类型分布异常分散,但请求模式高度相似,这就很可能是分布式攻击。可以通过对请求的时间序列进行聚类分析,找出那些在时间上高度同步、在行为上高度一致的IP群体。

另一个有效的关联维度是分析攻击节点之间的共同特征,比如它们可能使用相同的TLS指纹、相同的HTTP Header顺序、相同的请求参数构造方式。即使攻击者使用不同的IP和UA,这些底层特征往往难以完全随机化。通过提取每个请求的协议指纹,并将相似指纹的请求聚合起来,可以发现隐藏在海量流量中的攻击集群。对于使用代理池的攻击,还可以通过分析TCP层的TTL值、窗口大小、时间戳选项等特征来识别同一批攻击节点。

防护策略的分层部署

识别出慢速分布式CC攻击后,防护策略需要分层部署才能有效应对。在网络层,可以通过限制单IP的连接数和新建连接速率来减少慢速连接的总量,但阈值需要设置得足够宽松,避免误伤正常用户。在传输层,可以启用SYN Cookie和连接超时优化,减少半开连接和空闲连接的资源占用。在应用层,需要配置严格的Header和Body超时,并对请求体传输速率进行限制。例如在Nginx中可以使用以下配置来限制慢速请求:

client_header_timeout 5s;
client_body_timeout 10s;
client_max_body_size 10m;
limit_conn_zone $binary_remote_addr zone=conn_per_ip:10m;
limit_conn conn_per_ip 10;
limit_req_zone $binary_remote_addr zone=req_per_ip:10m rate=5r/s;
limit_req zone=req_per_ip burst=20 nodelay;

这些配置可以限制每个IP的并发连接数和请求速率,但对于分布式慢速CC来说,单IP限制远远不够,因为攻击者会使用大量不同IP。因此还需要在WAF层面部署行为分析引擎,实时检测慢速请求特征,对可疑连接进行主动断开或验证码挑战。对于通过验证码的合法用户,可以将其IP加入白名单,减少后续请求的检测开销。

利用机器学习和自适应阈值提升识别准确率

随着攻击手法的不断演变,基于固定规则的识别方案很容易被绕过。引入机器学习模型可以有效提升慢速分布式CC的识别准确率。可以提取每个连接或会话的特征向量,包括连接持续时间、请求间隔均值与方差、Header发送速率、Body发送速率、请求URL集中度、资源加载完整度、TLS指纹相似度等维度。使用历史正常流量训练模型,建立正常行为的边界,当实时流量的特征偏离正常边界时触发告警或自动阻断。

自适应阈值机制同样重要。不同业务场景的正常请求模式差异很大,一个固定的速率阈值在电商大促期间可能完全失效。通过持续统计历史数据,动态调整每个维度的阈值,可以在保证低误报率的同时提高检出率。例如,正常用户的平均连接持续时间可能在2秒左右,但在某些业务场景下可能达到10秒。如果使用固定5秒的阈值,就会误伤正常用户。自适应阈值可以根据当前时间窗口内所有连接的行为分布,动态计算异常判定标准,从而适应业务变化。

慢速分布式CC攻击的识别与防护是一个持续对抗的过程。攻击者不断调整策略来模拟正常用户,防守方则需要从连接层、请求层、行为层和分布式关联层多个维度综合判断。没有单一的银弹方案,只有通过分层检测、行为分析和自适应策略的组合,才能在保证正常用户体验的前提下有效识别并阻断慢速分布式CC攻击请求。