基于深度学习的DGA恶意域名检测.docx

1、本文档共10页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

周婧莹，黎宇，曾楚轩AI赋能安全

基于深度学习的DGA恶意域名检测AIEmpoweredSecurity

DGAMaliciousDomainNameDetection

基于深度学习的BasedonDeepLearning

DGA恶意域名检测

周婧莹，黎宇，曾楚轩（中国联通广东分公司，广东广州510000）

ZhouJingying，LiYu，ZengChuxuan（ChinaUnicomGuangdongBranch，Guangzhou510000，China）

摘要：关键词：

攻击者常使用域名生成算法（DGA）生成大量的随机域名来传输恶意软件控制域名生成算法；机器学习；深度学习；域名检测

指令，而传统DGA检测方法存在计算量大、检测精确度低等问题，采用机器学doi：10.12045/j.issn.1007-3043.2024.08.003

习和深度学习的方法可极大缓解上述问题。首先从域名的基本特征、语言特征文章编号：1007-3043（2024）08-0013-05

和统计特征3个方面对DGA域名和正常域名进行特征提取，在特征集上采用机中图分类号：TP181

器学习算法进行模型训练；同时，采用长短期记忆（LSTM）网络以域名字符串的文献标识码：A

嵌入向量作为输入，提取域名的深度特征进行域名检测。通过查准率、召回率、开放科学（资源服务）标识码（OSID）：

F1-score、ROC曲线、AUC值等评测指标对模型训练结果进行对比，获得较优

的DGA域名检测模型。

Abstract：

AttackersoftenuseDomainGenerationAlgorithms（DGAs）togeneratenumerousrandomdomainnamesfortransmitting

malicioussoftwarecontrolcommands.However，traditionalDGAdetectionmethodshaveproblemssuchaslargeamountof

calculationandlowdetectionaccuracy.Theuseofmachinelearninganddeeplearningmethodscangreatlyalleviatethese

problems.Firstly，featuresareextractedfrombothDGAandlegitimatedomainsacrossthreedimensions：fundamental

characteristics，linguisticattributes，andstatisticalproper

该用户很懒，什么也没介绍

咨询Ta 进入空间

更多 >