Defensive Data Mining With Google

Dan Goldberg
MADJiC Consulting, Inc
[email protected]
 Purpose
●
Google (and other search engines) attempt to cat­
alog the Internet
– Spiders catalog everything they can find!!!
– How can you find your exposures?
●
Google can also be used to mine unintentional 
data about a site 
– Information considered public not common knowledge
– Data correlation
 Disclaimer
●
Items not covered
– Breaking into computer systems
– Private data  exposures
●
You can see that at Black Hat next summer!!
●
All information presented is
– Public knowledge
– Can be found freely on the Internet
– Uses legitimate tools available from Google
 What you will get

●
We will cover tools and techniques for:
– Running Google queries about a site;
– Discover and correlate public information;
– Refine searches to find information leaks.
●
How to format advanced queries
 Getting started

●
Defenders, Penetration testers, and hackers 
all follow a similar methodology:
– Step 1: Reconnaissance
– Step 2: Scanning
– Step 3: Exploit targets
– Step 4: Keep access
– Step 5: Cover tracks
●
We are concerned with step 1 today
 What might you find?
●
This is not hacking – it is data mining
– Information may be used for good or evil
●
Unintended Data Disclosure (UDD)
– Some information is made public “by accident”
●
customer and order data
●
student records
– Correlation of seemingly unrelated data
●
Patterns involving encrypted versus clear text 
messages
●
How do you find this “stuff”?
 Why use Google?
●
Google has a massive snapshot of the 
Internet
●
Is currently the industry leader in cataloging 
websites
●
Ranks web sites by content AND number of 
links TO the site
●
Catalogs many data types (more on this later)
 What is a Web Spider?
●
Catalogs web sites
●
Follows hypertext links
●
Attempts to guess names of resources 
provided by a site that are not linked
●
May use domain registry to find domains
●
Supposed to obey robot.txt directives
– Do you trust this process?
 Why bother with this at all?
●
Information leaks exist
●
You won't know what your leaks are unless 
you are looking
●
See your web presence as the world sees it
●
Permits you to close leaks hopefully before 
someone else finds them
 Closing an information leak

After closing a leak remove cached data from:
– Google's cache
http://www.google.com/webmasters/remove.html#uncache
– The wayback machine (Internet Archive)
http://www.archive.org/about/faqs.php#2
 Preventing information leaks
●
Pass all public content through a central 
clearing house
●
Audit all web applications especially those 
handling sensitive information
– SSNs
– Credit cards
– Student information
●
Some leaks cannot be prevented
– Data correlation  can not always be anticipated
 Google tools

●
Today we will pick on the Google search 
engine primarily
– http://www.google.com
●
Other search engines offer similar tools
●
Loosely based on the popular Oreilly book: 
“Google Hacking for Penetration Testers” by 
Johnny Long http://johnny.ihackstuff.com/
Lets get started ...
 What tools?
●
Google offers many tools for specific 
searches
– Advanced Operators
●
Usage: operator:search­term
– Note there is no space between the operator and the term
– Example:

http://www.google.com/search?hl=en&q=site%3Avirginia.edu
– A cache of web sites
– A search of sites linking to a site or page
– Much more!!!
 Google Advanced Operators
query types
●
cache: (e.g. cache:www.example.com)   
●
[cache:] will show the version of the web page that Google has 
in its cache and highlight the search term(s).
●
link: (e.g. link:www.virginia.edu)   
●
[link:] will list webpages that have links to the specified 
webpage.
●
related: (e.g. related:virginia.edu)   
●
[related:] will list web pages that are "similar" to a specified web 
page.
 Google Advanced Operators
More alternate query types
●
info: (e.g. site:www.virginia.edu)
●
[info:] will present some information that Google has about that 
web page including cached pages, pages that link to it, and 
highlight the search term
●

●
site:  (e.g. site:www.itc.virginia.edu)
●
[site:] will restrict the results to those websites in the given 
domain.
●
[filetype:] (e.g. filetype:pdf)
●
[filetype:] will restrict the results to pages whose names end in 
the suffix given
 Google Advanced Operators
Query modifiers
●
intitle: (e.g. intitle:student records)   
●
[intitle:] will restrict the results to documents containing that 
word in the title
●

●
allintitle: (e.g. allintitle:student records)     
●
[allintitle:], will restrict the results to those with all of the query 
words in the title. 
●

●
[intitle:student intitle:records] and [allintitle:student records] yield the 
same result
 Google Advanced Operators
More query modifiers
[inurl:] (e.g. inurl:phpadmin)
●
[inurl:] will restrict the results to documents containing that word 
in the url. 

[allinurl:] (e.g. allinurl: student admin)
●
Will restrict the results to those with all of the query words in the 
url.
●
[allinurl:] works on words, not url components.
●
 
– [inurl:student inurl:admin] and [allinurl: student admin] 
yield the same results.
 Additional operators
●
+ Forces the inclusion of a common word
– e.g. University +of Virginia
●
~ Synonym search
– e.g. ~education
●
Numrange search
– e.g. 500..1000
 Advanced operators in use
site:, inurl, and filetype:
Can not search
port numbers
site: in URL

inurl: filetype:

 Some operators over lap, such as site: and inurl:
Advanced operators in use
intitle:
intitle:
and
allintitle:
 Advanced Operator action

Lets start to use some of these tools

We will start be enumerating the virginia.edu 
domain...

our first search will be
site:virginia.edu
 More advanced domain search
●
Add a negative search
site:virginia.edu ­www.virginia.edu
●
You can string many of these together:
site:virginia.edu ­www.virginia.edu ­www.people.virginia.edu
●
Output of these searches is ugly
●
Remember we are looking for Internet domains 
only
 Searching with regular 
expressions line
$ links ­dump 'http://www.google.com/search?q=site:virginia.edu+\ wrap
­www.virginia.edu&num=100 > v.edu
$ sed ­n 's/\. [[:alpha:]]*:\/\/[[:alnum:]]*.virginia.edu\//& /p' v.edu | awk '{print $2}' \
| sort ­u
http://aands.virginia.edu/
http://artsandsciences.virginia.edu/
http://etext.virginia.edu/
http://faculty.virginia.edu/
http://gwpapers.virginia.edu/
http://legion.virginia.edu/
http://millercenter.virginia.edu/
https://hoosonline.virginia.edu/
http://toolkit.virginia.edu/
...
 Expanding your search
Increasing domain searches can be done with many 
tools; 
– Google sets ­ http://labs.google.com/sets
– Tilde search ~
– Google API ­ http://www.google.com/apis/index.html
– See papers and presentations by sensepost
– www.sensepost.com
 What to do now?
●
With this list of domains in hand you can
– Dump interesting sub­domains repeating this 
process to learn additional sub­domains
e.g domain cs.virginia.edu contains
http://acm.cs.virginia.edu/
http://cheetah.cs.virginia.edu/
http://naccio.cs.virginia.edu/
– Who knows how I got this list??
– Apply additional searches to look for information 
leaks
 Examples and demonstrations

Domain scraping is fun!

Lets start to apply some of the other operators

And some examples ...
 Searching with intext:
●
Finding specific terms within a document's 
text body
– intext:admin site:virginia.edu returns all 
documents containing the search term “admin”
●
Want to narrow this down a bit? Try:
– allinurl: admin php site:virginia.edu
●
(note the use of spaces for allintext)
– This could be a gold mine for someone with 
malicious intent. Better check my bugtraq 
archives ...
 File type searches
●
Results can also be narrowed by focusing on 
certain file types (characters after the . )
– These focus on file name suffixes
– inurl:admin site:virginia.edu filetype:php
●
Filetypes can be excluded from a search
– ­filetype:xls
●
Google indexes 13 nonhtml file formats
– http://www.google.com/help/faq_filetypes.html
– Not related to filetype: search
 Cache Search
●
cache:domain+search_term
●
e.g. cache:cs.virginia.edu php
– A cache search will return a cached version of the 
page and highlight search terms in the page. 
●
Google's cache has been known to contain 
personal information that was removed from 
the origin site
●
Cache will reference origin site for images
– append “strip=1” to view “text only”
– Prevents log entry at origin server
 Some terms to try
●
Here are some search terms you might try in 
your Google mining efforts:
●
“logged in as”
●
root
●
Administrator
●
cookie or session_id
●
“Welcome *
 Where to get more
●
Google hacking database:
– http://johnny.ihackstuff.com/
●
Many suggested search terms to try
●
Some are rated by other users who have put 
them to use others are not rated
Google Dork Detection System
●
A number of recent worms used automated 
Google searches to locate targets
●
Increased attention to “Google hacking”
●
Google has begun to filter many known “Bad” 
searches with GDDS
●
Search results:
Forbidden
Google error – We're sorry
 GDDS evasion
●
Change case
– inurl:admin.php or inurl:admin.PHP or 
inurl:admin.PhP
●
Reverse query order
– inurl:phpbb2 inurl:admin.php
●
Space injection
– P o w e r e d by pbpbb2
●
Web clients must send a user­agent
– Use curl parameter: $curl –user­agent “Mozilla/5.0”
 Wrap up
●
We have covered
– Google advanced search tools
– Basic domain scraping
– Several advanced searches
– GDDS
●
Contact me at [email protected]
●
Slides will be posted at 
http://www.madjic.net/papers/
Thank you
 References
●
Google:
– http://www.google.com
– http://www.googleguide.com
– http://www.google.com/terms_of_service.html
●
Unintended Information Revelation
– http://www.cedar.buffalo.edu/~rohini/UIR/
– http://www.contractoruk.com/news/002194.html
●
Johnny Long's IhackStuff
– http://johnny.ihackstuff.com/