检索结果-内蒙古大学图书馆

计算机科学 2024年第8期51卷 371-378页

作者：汪绪先黄缙华翟优李础南王宇张宇鹏张翼鹏杨立群李舟军中国南方电网公司重点实验室电网自动化实验室广州510080 广东电网有限责任公司电力科学研究院广州510080 北京航空航天大学计算机学院北京100191 北京航空航天大学网络空间安全学院北京100191 北方工业大学信息学院北京100144

C&C服务器是网络攻击者用于控制僵尸主机的中间服务器,在僵尸网络中处于核心位置。为增强C&C服务器的隐蔽性,网络攻击者使用域名生成算法来隐藏C&C服务器地址。近年来,域名生成算法检测技术作为检测僵尸网络的重要手段,已... 详细信息

C&C服务器是网络攻击者用于控制僵尸主机的中间服务器,在僵尸网络中处于核心位置。为增强C&C服务器的隐蔽性,网络攻击者使用域名生成算法来隐藏C&C服务器地址。近年来,域名生成算法检测技术作为检测僵尸网络的重要手段,已经成为一个研究热点。首先,介绍了当前网络安全的发展态势和僵尸网络的拓扑结构。其次,介绍了域名生成算法和相关数据集。接着,介绍了域名生成算法检测技术的分类,并对这些检测技术进行总结综述。最后,探讨了现阶段域名生成算法检测技术存在的问题,并对未来研究方向进行了展望。

关键词：僵尸网络 C&C服务器域名生成算法域名生成算法检测网络安全威胁

来源：评论

学校读者我要写书评

暂无评论

域名生成算法的分析与检测研究

域名生成算法的分析与检测研究

引用

作者：卫清才中北大学

学位级别：硕士

随着万物互联时代的到来,僵尸网络日益成为网络攻击的重要源头和平台,因此如何高效识别和打击僵尸网络成为了网络安全研究的热点问题。由于现代僵尸网络主要采用基于域名生成算法的通讯机制,即通过大量算法生成的域名来隐藏C&C服务... 详细信息

随着万物互联时代的到来,僵尸网络日益成为网络攻击的重要源头和平台,因此如何高效识别和打击僵尸网络成为了网络安全研究的热点问题。由于现代僵尸网络主要采用基于域名生成算法的通讯机制,即通过大量算法生成的域名来隐藏C&C服务器地址,进而躲避安全监管,因此对DGA域名检测的研究是挖掘和关停僵尸网络的重要突破口。现有DGA域名检测模型虽然已能达到较高的检测准确率,但是仍存在两个需要解决的问题:首先是检测模型的训练过程必须依赖DGA域名,其训练集需不断补充新型DGA域名家族,但此类数据获取周期长、采集难度大,因此模型无法通过快速更新迭代来应对不断涌现的新型DGA域名家族;其次是现有模型侧重于检测训练集所包含的DGA域名家族,无法有效识别训练集以外的新型DGA域名种类,模型泛化性能差,适用范围小。本文为了解决以上问题所作的工作和创新点为:1)针对模型训练必须依赖DGA域名数据的问题,本文首先利用部分历史DGA数据构建了域名可信度评估模型来为每个正常域名计算相应可信度分值;其次在训练实际分类模型时用正常域名及其可信度替换DGA域名相关变量,最终使得分类模型的训练过程无需DGA域名数据参与,进而能加快模型的迭代速度,保证模型的时效性。2)针对现有模型泛化能力弱,无法识别新型DGA家族的问题,本文考虑从模型训练、特征学习的角度来构建模型。由于模型性能受所用样本集的制约,若能使模型仅拟合正常域名特征,则可以有效增强其泛化性。基于以上思路,本文通过对损失函数的修正,提出了仅利用正常域名训练的DGA检测模型Prof DGA。3)本文设计并实现了所提模型,并与现有模型进行了对比实验,从模型的精确率,查全率率,F1值等方面进行了评估。通过实验验证,虽然Prof DGA模型对训练集内DGA家族检测精确率降低了9%,但对未知DGA家族的检测精确率较现有模型提升30%,查全率提升54.2%,能有效发现新型DGA域名家族。

关键词：僵尸网络域名生成算法正样本可信度深度学习长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于字典的域名生成算法生成域名的检测方法

引用

计算机应用 2021年第9期41卷 2609-2614页

作者：张永斌常文欣孙连山张航陕西科技大学电子信息与人工智能学院西安710021

针对基于字典的域名生成算法(DGA)生成域名与良性域名构成十分相似,现有技术难以有效检测的问题,提出一种卷积神经网络(CNN)和长短时记忆(LSTM)网络相结合的网络模型——CL模型。该模型由字符嵌入层、特征提取层及全连接层三部分组成。... 详细信息

针对基于字典的域名生成算法(DGA)生成域名与良性域名构成十分相似,现有技术难以有效检测的问题,提出一种卷积神经网络(CNN)和长短时记忆(LSTM)网络相结合的网络模型——CL模型。该模型由字符嵌入层、特征提取层及全连接层三部分组成。首先,字符嵌入层对输入域名的字符进行编码;然后,特征提取层将CNN与LSTM串行连接在一起,对域名字符特征进行提取,即通过CNN提取域名字符的n-grams特征,并将提取结果输入给LSTM,以便学习n-grams间的上下文特征,同时,为了学习不同长度的n-grams特征,可选择多组CNN与LSTM结合使用;最后,全连接层根据提取到的特征对基于字典的DGA生成域名进行分类预测。实验结果表明:当CNN选择的卷积核大小为3和4时,所提模型性能最佳。在四个基于字典的DGA家族的测试对比实验中,CL模型与CNN模型相比,准确率提升了2.20%,且随着样本家族数量的增加,CL模型具有更好的稳定性。

关键词：域名生成算法基于字典的域名生成算法卷积神经网络长短时记忆网络域名检测

来源：评论

学校读者我要写书评

暂无评论

基于改进马尔可夫链的高效域名生成算法

引用

通信学报 2024年第S2期45卷 52-58页

作者：钱志业李雪李锁钢赛尔网络有限公司网络运行部北京100084

首先,结合多种策略进行子域名的初步筛选,包括字典枚举、搜索引擎挖掘和网站信息抓取。接着,使用改进的马尔可夫模型算法对筛选数据进行分析,生成并添加新的子域名到结果集中。然后,检查并验证数据的真实性,若数据未达标准,则重复分析... 详细信息

首先,结合多种策略进行子域名的初步筛选,包括字典枚举、搜索引擎挖掘和网站信息抓取。接着,使用改进的马尔可夫模型算法对筛选数据进行分析,生成并添加新的子域名到结果集中。然后,检查并验证数据的真实性,若数据未达标准,则重复分析过程。最终,形成一个经过严格验证的数据集。该算法显著提升了子域名发现的效率及覆盖范围,有效弥补了传统方法的不足。

关键词：域名生成算法子域名挖掘 DNS解析网络安全

来源：评论

学校读者我要写书评

暂无评论

算法生成类恶意域名检测技术研究

算法生成类恶意域名检测技术研究

引用

作者：杨路辉南京理工大学

学位级别：博士

域名是描述网络实体性质语义的地址标识,域名解析是最为基础的用于引导网络连接、实施分流控制、管理网络地址的网络服务模式。恶意域名主要包括用于欺骗导流的仿冒域名,和用于网络攻击及隐蔽通信建立连接的引导域名,其主要是以字符、... 详细信息

域名是描述网络实体性质语义的地址标识,域名解析是最为基础的用于引导网络连接、实施分流控制、管理网络地址的网络服务模式。恶意域名主要包括用于欺骗导流的仿冒域名,和用于网络攻击及隐蔽通信建立连接的引导域名,其主要是以字符、数字、符号等通过随机或特殊规则的组合产生。恶意域名检测是实施网络安全防御的重要一环,基于恶意域名威胁情报的检测技术已迫使越来越多的网络恶意活动采用算法生成的动态域名,为抵抗基于域名随机性的检测机制,越来越多的算法开始拟合自然语言规律生成域名,亟需开展高隐蔽性的算法生成域名的检测研究。论文基于自然语言语法模型概念形成针对网络域名的语法模型,并在此基础上研究了多类典型算法生成类恶意域名的检测问题。论文取得的主要研究成果如下:(1)针对缺乏刻画算法生成类恶意域名要素组构理论模型的问题,在梳理形成域名语义要素集的基础上,基于要素间组合排布分析和概率上下文无关语法建模,构建了一种网络域名语义要素解析树模型;基于所建立的模型,对随机字符类、单词组合类、预测字符类、多要素混合类典型四类算法生成类恶意域名分别进行了域名隐蔽性分析,揭示了恶意域名与合法域名,以及恶意域名之间的统计差异性,为后续针对性检测方法的设计奠定了基础。(2)针对随机字符类恶意域名快速精准检测的问题,基于网络域名语义要素解析树模型表征的字符关联性,提出了一种基于多尺度卷积映射的检测方法,该方法通过单层和双层卷积对域名的字符进行多尺度映射,实现了恶意域名的浅层和深层字符表征特性的融合,多个典型数据集上的对比实验结果验证了该多尺度卷积在恶意域名检测中的有效性。在此基础上,针对实际网络大流量环境对随机字符类恶意域名检测的实时性要求,提出了一种多尺度并行可分离卷积检测模型,该模型能够在保持与标准卷积检测模型接近的检测准确率的情况下显著提升检测速度。(3)针对具有较高隐蔽性的单词组合类恶意域名精准检测的问题,利用网络域名语义要素解析树模型分析域名内单词和域名间单词关联性,提出了一种基于单词语义集成学习的恶意域名检测方法。该方法通过构建包括域名内单词关联度、域名间单词关联度、词性组合频率和单词频率四个维度的特征集,并基于朴素贝叶斯、极限树和逻辑回归对构造的特征集进行集成学习。在多个典型数据集上的对比实验结果表明,该方法可有效检测单词组合类恶意域名,且支持不同数量单词组合的恶意域名检测,具有较好的适用性。(4)针对基于统计规律的高隐蔽性预测字符类恶意域名精准检测的问题,提出了一种基于字符混合特征异构深度网络学习的恶意域名检测方法。该方法通过不同尺寸卷积核构成的并行卷积分支结构提取域名中的多尺度混合局部特征,并采用融合自注意力机制的双向长短时记忆网络,完成双向全局特征的提取,通过融合局部和全局混合字符特征进行学习来抽取高隐蔽恶意域名与合法域名的微弱统计差异。多个典型公开数据集上的对比实验结果表明该方法能够有效检测预测字符类恶意域名,且具备恶意域名类型的分辨能力。(5)针对基于多要素混合的强隐蔽性恶意域名精准检测的问题,提出了一种基于多要素自适应量化学习的恶意域名检测方法,该方法通过域名元素解析对域名进行要素分割,对各要素根据其类型进行自适应量化形成了多要素表征向量,构建了具有特征选择能力的并行多尺度卷积网络模型来学习多要素混合类恶意域名的混合模式及混合要素特征,设计了可动态调节样本权重的自适应聚焦损失函数提高了检测准确率;多个典型数据集上的对比实验结果表明该方法能够有效检测多要素混合类恶意域名,同时对其他类型的恶意域名也有较好的适应性。最后,论文对全文进行了总结,并对值得进一步研究的问题进行了展望。

关键词：恶意域名检测解析树模型域名生成算法深度学习网络空间安全

来源：评论

学校读者我要写书评

暂无评论

DNTrans:基于Transformer的黑产域名变换生成方法

引用

信息安全学报 2025年第02期 163-179页

作者：王博施凡国防科技大学电子对抗学院

目前很多黑产团伙为了对抗监管部门对其网站域名的封锁,会批量搭建黑产网站和注册大量的黑产域名。这些批量注册的域名之间存在着一定的相似性,这种相似性使得研究者可以对已知域名进行分析,进而研究未知域名的生成。本文研究区别于以... 详细信息

目前很多黑产团伙为了对抗监管部门对其网站域名的封锁,会批量搭建黑产网站和注册大量的黑产域名。这些批量注册的域名之间存在着一定的相似性,这种相似性使得研究者可以对已知域名进行分析,进而研究未知域名的生成。本文研究区别于以往研究对黑产域名生成的处理方法,我们将域名生成任务转变为翻译任务。首先,我们采用Bi-LSTM将训练数据中的域名转为表征向量后进行层次聚类,将相似的域名聚为一类,并且通过参数设置,使得聚类簇中的域名个数尽量分布均匀。然后,根据聚类结果生成翻译模型所需的域名对数据。最后,使用Transformer模型自动学习相似域名之间潜在的变化规则进行黑产域名的变换生成。其中域名生成结果检验采用的是我们自己提出的两阶段黑产网站检测模型,模型通过设置置信度阈值的方式控制检测模型大小以及所需数据来平衡识别准确率和效率。实验表明,生成算法生成的域名中,可访问域名中黑产域名比率为19.1%,黑产域名的扩展倍数达到了359.98,即通过一个黑产域名可以平均扩展出近360个新的黑产域名。实验结果证明了该方法在黑产域名变换生成上的有效性,并解决了现有公害域名生成方法难以控制域名生成的范围,存在大量的无效域名的问题。

关键词：域名生成算法翻译模型聚类多模态

来源：评论

学校读者我要写书评

暂无评论

算法生成恶意域名的实时检测

引用

现代电信科技 2013年第7期43卷 3-8页

作者：张雪松徐小琳李青山国家计算机网络应急技术处理协调中心北京大学网络与软件安全保障教育部重点实验室

当前对算法生成域名技术的检测,检测所用时间周期过长,无法对算法生成的恶意域名进行快速检测。针对此问题,本文基于新增域名与已分类恶意域名之间的关联关系,提出一种算法生成域名的实时检测方法,并在某省运营商DNS服务器机房部署本系... 详细信息

当前对算法生成域名技术的检测,检测所用时间周期过长,无法对算法生成的恶意域名进行快速检测。针对此问题,本文基于新增域名与已分类恶意域名之间的关联关系,提出一种算法生成域名的实时检测方法,并在某省运营商DNS服务器机房部署本系统,实验验证本检测方法。实验表明与已有方法相比,本方法能够快速筛选用于恶意网络行为的算法生成域名。但本方法需要消耗大量的计算资源和内存资源,需要在后续的工作中研究解决。

关键词：域名生成算法僵尸网络算法生成域名域名变换

来源：评论

学校读者我要写书评

暂无评论

基于混合词向量深度学习模型的DGA域名检测方法

引用

计算机研究与发展 2020年第2期57卷 433-446页

作者：杜鹏丁世飞中国矿业大学计算机科学与技术学院江苏徐州221116 矿山数字化教育部工程研究中心(中国矿业大学) 江苏徐州221116

域名生成算法(domain generation algorithm,DGA)是域名检测中防范僵尸网络攻击的重要手段之一,对于生成威胁情报、阻断僵尸网络命令与控制流量、保障网络安全有重要的实际意义.近年来,DGA域名检测技术从依靠手工提取特征发展到自动提... 详细信息

域名生成算法(domain generation algorithm,DGA)是域名检测中防范僵尸网络攻击的重要手段之一,对于生成威胁情报、阻断僵尸网络命令与控制流量、保障网络安全有重要的实际意义.近年来,DGA域名检测技术从依靠手工提取特征发展到自动提取特征的基于深度学习模型的方法,在DGA域名检测任务中取得了较大的进展.但对于不同僵尸网络家族的DGA域名的多分类任务,由于家族种类多,且各家族域名数据存在不平衡性,因此许多已有的深度学习模型在DGA域名的多分类任务上仍有提高空间.针对以上挑战,设计了基于字符和双字母组级别的混合词向量,以提高域名字符串的信息利用度,并设计了基于混合词向量方法的深度学习模型.最后设计了包含多种对比模型的实验,对混合词向量的有效性进行验证.实验结果表明基于混合词向量的深度学习模型在DGA域名检测与分类任务中相比只基于字符级词向量的模型有更好的分类性能,特别是在小样本的DGA域名类别上的分类性能更优,证明了该模型的有效性.

关键词：域名生成算法混合词向量深度学习卷积神经网络长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

融合字符级滑动窗口和深度残差网络的僵尸网络DGA域名检测方法

引用

电子学报 2022年第1期50卷 250-256页

作者：刘小洋刘加苗刘超张宜浩重庆理工大学计算机科学与工程学院重庆400054 重庆理工大学人工智能学院重庆401135

本文提出了一种基于字符级滑动窗口的深度残差网络(Sliding Window-Depth Residual Network,SWDRN),首次将轻量级深度可分离式卷积应用于僵尸网络中DGA(Domain Generation Algorithm)域名检测.SW-DRN采用深度可分离式卷积,相比标准卷积... 详细信息

本文提出了一种基于字符级滑动窗口的深度残差网络(Sliding Window-Depth Residual Network,SWDRN),首次将轻量级深度可分离式卷积应用于僵尸网络中DGA(Domain Generation Algorithm)域名检测.SW-DRN采用深度可分离式卷积,相比标准卷积减少了约56%的参数,增强了模型检测效率.采集两种不同来源的数据,分别命名为Real-Dataset和***-DRN与对照组模型在两个数据集上进行实验,实验结果表明:SW-DRN模型在DGA域名二分类任务中的F-Score评估指标上分别取得了99.23%和97.81%的成绩;并且在少样本DGA域名家族以及域名字符串易混淆DGA域名情形下多分类任务中取得不错的成绩,相比目前已有的DGA域名分类模型在总体FScore上提升了1.23%和1.01%的性能,增强了DGA域名家族之间的识别;同时还对所提出的模型在生成对抗模型产生域名进行测试,均能得到有效的识别.

关键词：域名生成算法字符级向量残差网络深度可分离式卷积

来源：评论

学校读者我要写书评

暂无评论

一种改进的卷积神经网络恶意域名检测算法

引用

西安电子科技大学学报 2020年第1期47卷 37-43页

作者：杨路辉刘光杰翟江涛刘伟伟白惠文戴跃伟南京理工大学自动化学院江苏南京210094 南京信息工程大学电子与信息工程学院江苏南京210044

针对现有检测方法对算法生成的恶意域名检测效率不高,尤其对几种难检测的恶意域名类型检测率低的问题,提出了一种改进的基于卷积神经网络的恶意域名检测算法。该算法在现有的卷积神经网络模型的基础上,增加了提取更深层字符级特征的卷... 详细信息

针对现有检测方法对算法生成的恶意域名检测效率不高,尤其对几种难检测的恶意域名类型检测率低的问题,提出了一种改进的基于卷积神经网络的恶意域名检测算法。该算法在现有的卷积神经网络模型的基础上,增加了提取更深层字符级特征的卷积分支,从而同时提取恶意域名的浅层和深层字符级特征并融合;引入一种聚焦损失函数以解决样本难易程度和数量的双重不平衡导致检测率低的问题,可提高对难样本的检测准确率。改进后的算法对20种恶意域名的平均检测准确率为97.62%,与原算法相比提高了0.94%;对4种较难检测域名的检测准确率分别提高了3.71%、4.6%、11.18%和17.8%。实验结果表明,改进的算法能够提高对恶意域名的检测准确率,尤其能够显著提升对部分难检测域名的检测准确率。

关键词：卷积神经网络域名生成算法深度学习信息安全

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：