检索结果-南通市图书馆

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

大数据背景下基于知识图谱的恶意域名检测

大数据背景下基于知识图谱的恶意域名检测

作者：刘善玲南京邮电大学

学位级别：硕士

随着现代社会的发展对互联网的依赖性不断地增强,互联网带来的网络安全问题也引起了社会各界的关注。人们在使用互联网时,经常通过域名来进行资源查询,经调查研究发现,钓鱼软件、恶意网站和恶意软件中都使用了大量的恶意域名。恶意域名... 详细信息

随着现代社会的发展对互联网的依赖性不断地增强,互联网带来的网络安全问题也引起了社会各界的关注。人们在使用互联网时,经常通过域名来进行资源查询,经调查研究发现,钓鱼软件、恶意网站和恶意软件中都使用了大量的恶意域名。恶意域名作为威胁当前网络安全的重要因素之一,对恶意域名进行检测是维护网络环境安全的一个重要手段。目前,恶意域名的检测方法层出不穷,部分检测方法在关注检测准确率时,忽略了特征设计对检测结果的影响。另外,攻击手段的多变性导致依赖特征提取和分类算法无法应对层出不穷的域名类型,难以对深层次的恶意域名进行挖掘。针对上述问题,本文工作内容如下:提出一种基于多样化特征的恶意域名检测方法。在数据处理方面,先对域名进行分词格式化操作,将域名转化为同一样式,方便后续进行特征提取。在特征设计方面,考虑到存在冗余特征的可能性,对不同特征的分布情况进行观察分析,选取分布差异较大的特征作为检测特征,减少了特征提取的数量。实验结果表明在保证检测准确率为95%的情况下,该方法降低了检测的计算复杂度,解决内存开销问题。提出一种基于知识图谱的深层次域名检测方法。结合域名在解析访问过程中产生的数据,从域名、IP地址,解析记录等方面抽取用于构建域名知识图谱的实体,针对实体间存在的联系进行关系抽取,利用Neo4j图数据库将抽取到的实体和关系进行存储,随后在域名知识图谱上运行基于图的推理算法,通过计算未知域名与图谱中已知属性域名的密切程度,判断未知域名的属性。通过实验分析发现,在不同样本集的情况下本文方法都保持着良好的检测性能,该方法具有一定的稳定性,将该方法与常见的域名检测方法进行对比,验证了该方法在准确率上的优势,通过对比检测结果发现,该方法可有效识别之前未检测出的恶意域名,实现了对隐藏较深的恶意域名的挖掘。

关键词：网络安全恶意域名特征设计知识图谱图推理

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的恶意域名检测方法研究

基于深度学习的恶意域名检测方法研究

作者：张建辉河北建筑工程学院

学位级别：硕士

域名系统(Domain Name System)作为与网络地址相关的基础技术,方便了现代网络生活,其意义不可估量,与此同时,DNS也成为僵尸网络发动攻击的重要依托,为了逃避安全设施的检测,僵尸网络的攻击也越来越复杂,其中一个常见的技术就是在僵尸网... 详细信息

域名系统(Domain Name System)作为与网络地址相关的基础技术,方便了现代网络生活,其意义不可估量,与此同时,DNS也成为僵尸网络发动攻击的重要依托,为了逃避安全设施的检测,僵尸网络的攻击也越来越复杂,其中一个常见的技术就是在僵尸网络中使用域名生成算法(Domain generation algorithm,DGA),产生速变域名,在该方式下,安全人员难以捕捉到控制服务器的域名和IP地址。僵尸网络利用DGA域名生成算法进行通信的原理如下:攻击端和受控主机使用相同域名生成算法,从生成的恶意域名(也叫做DGA域名)中选取少量注册。由于通信节点处域名不断变化,传统的黑名单防护手段在更新上无法做到及时性,并且开销较大。因此业界急需一种有效的DGA恶意域名检测手段。本文采用深度学习模型进行恶意域名的生成与检测。首先,结合深度学习对抗理论和文本生成的思想提出一种基于生成对抗网络(GAN)的恶意域名生成模型,用于恶意域名数据集的扩充,其次,充分利用字符规律,提出一种基于多通道CNN-BiLSTM的恶意域名检测模型,实现对恶意域名的高精度检测。本文的具体研究内容包括:(1)针对当前恶意域名检测工作数据收集困难、不及时的问题,本文提出基于GAN的恶意域名生成模型,通过相互对抗来生成一种新的变体域名训练数据。在模型结构方面,该模型改进传统全连接层结构,使用卷积神经网络(CNN)和长短期记忆网络(LSTM);在输入输出方面,提出一种基于映射表的编、解码方法,该方法能够和GAN网络兼容,保障了域名字符的输入输出。通过对生成数据进行对比分析,验证生成的新型恶意域名的有效性,可用于扩充当前恶意域名数据,为下一步提高检测模型对于DGA域名的检测效果做出努力。(2)针对现有的恶意域名检测模型对于恶意域名特征提取效果差导致的检测精度不佳的问题,本文提出一种基于多通道CNN-BiLSTM的恶意域名检测模型。该模型使用卷积神经网络和双向长短期记忆网络(BiLSTM),同时引入多通道机制,意在发现字符之间隐藏的规律,增大特征提取效果。首先将输入的域名字符序列转换成固定大小且包含一定语义信息的稠密向量;然后利用CNN和BiLSTM构建混合神经网络,深度提取域名特征;最后引入注意力机制,针对特征的重要程度给予不同权值,意在聚焦关键特征。实验结果表明,本文提出的模型在恶意域名检测任务中可以达到很高的检测精度。

关键词：恶意域名卷积神经网络双向长短时记忆网络生成对抗网络

基于CNN与LSTM相结合的恶意域名检测模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子与信息学报 2021年第10期43卷 2944-2951页

作者：张斌廖仁杰中国人民解放军战略支援部队信息工程大学郑州450001 河南省信息安全重点实验室郑州450001

为提高恶意域名检测准确率,该文提出一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的域名检测模型。该模型通过提取域名字符串中不同长度字符组合的序列特征进行恶意域名检测:首先,为避免N-Gram特征稀疏分布的问题,采用CNN提... 详细信息

为提高恶意域名检测准确率,该文提出一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的域名检测模型。该模型通过提取域名字符串中不同长度字符组合的序列特征进行恶意域名检测:首先,为避免N-Gram特征稀疏分布的问题,采用CNN提取域名字符串中字符组合特征并转化为维度固定的稠密向量;其次,为充分挖掘域名字符串上下文信息,采用LSTM提取字符组合前后关联的深层次序列特征,同时引入注意力机制为填充字符所处位置的输出特征分配较小权重,降低填充字符对特征提取的干扰,增强对长距离序列特征的提取能力;最后,将CNN提取局部特征与LSTM提取序列特征的优势相结合,获得不同长度字符组合的序列特征进行域名检测。实验表明:该模型较单一采用CNN或LSTM的模型具有更高的召回率和F1分数,尤其对matsnu和suppobox两类恶意域名的检测准确率较单一采用LSTM的模型提高了24.8%和3.77%。

关键词：恶意域名卷积神经网络长短期记忆网络注意力机制

一种基于域名请求伴随关系的恶意域名检测方法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2019年第6期56卷 1263-1274页

作者：彭成维云晓春张永铮李书豪中国科学院计算技术研究所北京100190 中国科学院大学北京100049 中国科学院信息工程研究所北京100093

恶意域名在网络非法攻击活动中承担重要的角色.恶意域名检测能够有效地减少攻击活动所带来的经济损失.提出CoDetector恶意域名检测模型,通过挖掘域名请求之间潜在的时空伴随关系进行恶意域名检测.研究发现域名请求之间存在彼此伴随关系... 详细信息

恶意域名在网络非法攻击活动中承担重要的角色.恶意域名检测能够有效地减少攻击活动所带来的经济损失.提出CoDetector恶意域名检测模型,通过挖掘域名请求之间潜在的时空伴随关系进行恶意域名检测.研究发现域名请求之间存在彼此伴随关系,而并非相互独立.因此,彼此伴随的域名之间存在紧密关联,偏向于同时是正常域名或恶意域名.1)利用域名请求的先后时间顺序对域名数据进行粗粒度的聚类操作,将彼此伴随出现的域名划分到同一簇中;2)采用嵌入学习构建映射函数,在保留域名伴随关系的同时将每一个域名投影成低维空间的特性向量;3)结合有标记的数据,训练恶意域名检测分类器,用于检测更多未知恶意域名.实验结果表明,CoDetector能够有效地检测恶意域名,具有91.64%检测精度和96.04%召回率.

关键词：域名请求请求伴随恶意域名时间序列切割向量化表示域名分类

基于N-gram和Transformer的DGA恶意域名检测

在线全文

学校读者我要写书评

暂无评论

中国人民公安大学学报（自然科学版） 2022年第3期28卷 100-108页

作者：杨成芦天亮闫尚义张建岭中国人民公安大学信息网络安全学院北京100038

针对使用域名生成算法(DGA)产生的恶意域名隐蔽性强,传统机器学习检测算法提取特征复杂等问题,提出了基于N-gram和Transformer的恶意域名检测方法。对域名数据添加首尾标志位,使用N-gram算法分割成词组元素后转换为向量输入Transformer... 详细信息

针对使用域名生成算法(DGA)产生的恶意域名隐蔽性强,传统机器学习检测算法提取特征复杂等问题,提出了基于N-gram和Transformer的恶意域名检测方法。对域名数据添加首尾标志位,使用N-gram算法分割成词组元素后转换为向量输入Transformer模型。该模型能够有效的提取域名的字母组合特征,并且捕捉到域名中字母的位置信息,如域名中的首部和尾部字符、字母间的位置关系等特征,从而更准确的识别恶意域名。实验中使用Alexa的合法域名和360安全实验室采集的恶意域名作为数据样本,使用N-gram算法处理二级域名字符串,并与基于机器学习和深度学习的分类算法进行对比,实验结果表明该算法对DGA域名检测准确率达96.04%,能够有效、准确地识别出恶意域名。

关键词：恶意域名 DGA N-gram Transformer模型 word-hashing

基于ISSA-FLightGBM算法的恶意域名检测方法研究

在线全文

学校读者我要写书评

暂无评论

兰州文理学院学报（自然科学版） 2022年第6期36卷 46-51页

作者：刘猛猛中国刑事警察学院公安信息技术与情报学院辽宁沈阳110854

针对基于机器学习的恶意域名检测效率低、模型难以优化的问题,提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化焦点轻量级梯度提升机(Focal Loss LightGBM,FLightGBM)的恶意域名检测模型.首先,应用Tent混沌... 详细信息

针对基于机器学习的恶意域名检测效率低、模型难以优化的问题,提出一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化焦点轻量级梯度提升机(Focal Loss LightGBM,FLightGBM)的恶意域名检测模型.首先,应用Tent混沌映射与螺旋曲线策略改进麻雀搜索算法,改善算法优化能力不足的问题;其次,针对样本分类不均问题,将焦点损失函数引入LightGBM算法,构建FLightGBM算法的分类模型,并使用ISSA进行模型参数优化;最后,收集真实互联网中域名信息构建样本库,提取多种域名特征后构建数据特征库,通过对比多种分类模型识别精度等指标评判算法性能.结果表明,本文模型能更高效地检测恶意域名.

关键词：恶意域名麻雀搜索算法螺旋曲线轻量级梯度提升机焦点损失函数

在线全文

学校读者我要写书评

暂无评论

基于属性基加密的恶意域名训练异常数据检测

信息技术 2022年第3期46卷 90-95页

作者：张晓琴汪云飞重庆市信息通信咨询设计院有限公司重庆400041 航天壹进制(南京)数据科技有限公司南京210000

传统的恶意域名训练异常数据检测耗时过长,检测准确率较低,为此提出基于属性基加密的恶意域名训练异常数据检测。分析域名长度、域名访问周期、突发的域名系统请求查询以及域名查询失败记录四大行为,通过提取IP地址、域名的共享地址数... 详细信息

传统的恶意域名训练异常数据检测耗时过长,检测准确率较低,为此提出基于属性基加密的恶意域名训练异常数据检测。分析域名长度、域名访问周期、突发的域名系统请求查询以及域名查询失败记录四大行为,通过提取IP地址、域名的共享地址数目、域名查询返回的终极地址以及对抗网络四个特征,转换攻击的数据信息。设置数据加密器,根据访问权限所涉及的属性向可信中心申请公钥对文件加密,形成最终的密文。实验结果表明,所提方法能够有效缩短检测时间,提高检测准确率。

关键词：属性基加密恶意域名域名训练异常数据数据检测

在线全文

学校读者我要写书评

暂无评论

隐马尔可夫模型在恶意域名检测中的应用

计算机工程 2019年第9期45卷 161-168页

作者：白玲玲宁振虎薛菲杨永丽北京工业大学信息学部北京100124 北京物资学院信息学院北京101149

提出一种基于隐马尔可夫模型(HMM)的恶意域名检测方法。分析善恶域名在DNS通信中的各类特征,利用Spark大数据处理平台的高效计算能力对属性特征进行统计,在此基础上,通过HMM中的Baum-Welch算法和Viterbi算法对恶意域名进行准确分类。实... 详细信息

提出一种基于隐马尔可夫模型(HMM)的恶意域名检测方法。分析善恶域名在DNS通信中的各类特征,利用Spark大数据处理平台的高效计算能力对属性特征进行统计,在此基础上,通过HMM中的Baum-Welch算法和Viterbi算法对恶意域名进行准确分类。实验结果表明,与随机森林模型相比,HMM对恶意域名分类的准确率与召回率均较高。

关键词：恶意域名隐马尔可夫模型 Baum-Welch算法 Viterbi算法 Spark大数据处理平台

DNS安全防护技术在恶意域名管控上的有效性研究

在线全文

学校读者我要写书评

暂无评论

科技风 2023年第6期 68-70页

作者：王迪国网平顶山供电公司河南平顶山467000

随着传统互联网向“互联网+”的不断转型,DNS域名系统作为互联网建设的重要基础设施之一,已经转变为具有地址解析功能的综合感知性和可靠传输性的新功能模式。最近几年,互联网安全问题日渐复杂,如垃圾邮件、DDoS攻击等,其中域名攻击更... 详细信息

随着传统互联网向“互联网+”的不断转型,DNS域名系统作为互联网建设的重要基础设施之一,已经转变为具有地址解析功能的综合感知性和可靠传输性的新功能模式。最近几年,互联网安全问题日渐复杂,如垃圾邮件、DDoS攻击等,其中域名攻击更是形势严峻。在防范域名攻击方面,传统的机器学习检测方法已经过时,现在方法正慢慢向主流深度学习的检测方法转变。但随着恶意域名检测技术的不断改进,研究提出了更智能的DGA域名,以避免神经网络的检测,基于这些DGA变体的后续检测已成为域名检测技术的主要研究方向。最后,总结了域名检测的发展和存在的问题,并展望了域名检测技术的发展。

关键词：域名系统机器学习恶意域名检测技术