基于组合分类器的恶意域名检测技术

盛剑涛; 陈茂飞; 刘东鑫; 汪来富; 史国水; 金华敏

doi:10.11959/j.issn.1000-0801.2020150

您当前的位置：

首页 >

文章列表页 >

基于组合分类器的恶意域名检测技术

专题：网络安全的智能化和高对抗性发展 | 更新时间：2024-06-05

- 基于组合分类器的恶意域名检测技术
- Detection of malicious domain name based on a classifier combination
- 电信科学 2020年36卷第5期页码：47-55
- 作者机构：
- 作者简介：
  
  [ "盛剑涛（1994- ），男，中国电信股份有限公司研究院工程师，主要研究方向为网络安全、机器学习" ]
  [ "陈茂飞（1986- ），男，中国电信股份有限公司研究院工程师，主要研究方向为网络安全、恶意程序分析" ]
  [ "刘东鑫（1985- ），男，中国电信股份有限公司研究院工程师，主要研究方向为网络安全、大数据安全" ]
  [ "汪来富（1976- ），男，中国电信股份有限公司研究院高级工程师，主要研究方向为大数据安全、云计算安全、网络安全" ]
  [ "史国水（1972- ），男，中国电信股份有限公司研究院工程师，主要研究方向为网络安全" ]
  [ "金华敏（1972- ），男，中国电信股份有限公司研究院高级工程师，主要研究方向为IP网、云计算、大数据安全以及网络安全" ]
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2020150
  中图分类号： TP393
- 网络出版日期：2020-05，
  
  纸质出版日期：2020-05-20
- 稿件说明：
移动端阅览
盛剑涛, 陈茂飞, 刘东鑫, 等. 基于组合分类器的恶意域名检测技术[J]. 电信科学, 2020,36(5):47-55.

Jiantao SHENG, Maofei CHEN, Dongxin LIU, et al. Detection of malicious domain name based on a classifier combination[J]. Telecommunications science, 2020, 36(5): 47-55.
盛剑涛, 陈茂飞, 刘东鑫, 等. 基于组合分类器的恶意域名检测技术[J]. 电信科学, 2020,36(5):47-55. DOI： 10.11959/j.issn.1000-0801.2020150.

Jiantao SHENG, Maofei CHEN, Dongxin LIU, et al. Detection of malicious domain name based on a classifier combination[J]. Telecommunications science, 2020, 36(5): 47-55. DOI： 10.11959/j.issn.1000-0801.2020150.

摘要

域名系统是互联网中不可或缺的关键基础服务，难以避免遭到不法分子的滥用。在研究僵尸网络和DGA恶意域名应用的基础上，比较了当前主流的恶意域名检测技术，提出了基于组合分类器的恶意域名检测技术框架。该技术框架以支持向量机为主分类器，融合了朴素贝叶斯分类器模型和其他统计特征。实验数据表明，该技术框架在离线训练时长、对未知DGA恶意域名家族的检测能力方面表现优秀，可以较好地满足运营商大网环境下对恶意域名的检测分析要求。

Abstract

As a fundamental service on the internet

domain name system (DNS) can inevitably be abused by malicious activities.Based on the studies of Botnets and other malwares which made use of the domain generation algorithm (DGA)

and researches on current major techniques of malicious domain detection

a malicious domain detection framework based on a classifier combination was proposed.The framework applied the support vector machine (SVM) as its main classifier and combined the naive Bayes classifier (NBC) supportively with some statistical characteristics.Experiment result demonstrates that the framework outperformes current techniques in the offline-training time and the capability of detecting unknow malicious domain families

which satisfies the requirement of internet service provider (ISP) to detect and analyze malicious domainson the internet.

关键词

Keywords

references

安天安全研究与应急处理中心 . 安天针对勒索蠕虫“魔窟”(WANNACRY) 的深度分析报告 [R ] . 2017 .

Antiy CERT . An in-depth analysis report on the blackmail worm WANNACRY [R ] . 2017 .

SkyEye 天眼实验室 . APT OceanLotus 数字海洋的游猎 [R ] . 2015 .

SkyEye Laboratory . APT OceanLotus digital ocean safari [R ] . 2015 .

臧小东 , 龚俭 , 胡晓艳 . 基于AGD的恶意域名检测 [J ] . 通信学报 , 2018 , 39 ( 7 ): 15 - 25 .

ZANG X D , GONG J , HU X Y . Detecting malicious domain names based on AGD [J ] . Journal on Communications , 2018 , 39 ( 7 ): 15 - 25 .

蒋鸿玲 , 戴俊伟 . DGA恶意域名检测方法 [J ] . 北京信息科技大学学报(自然科学版) , 2019 , 34 ( 5 ): 45 - 50 .

JIANG H L , DAI J W . DGA malicious domain name detection method [J ] . Journal of Beijing Information Science ＆ Technology University , 2019 , 34 ( 5 ): 45 - 50 .

王震 . 基于SVM的DGA域名检测方法研究 [D ] . 山东:济南大学 , 2018 .

WANG Z . Research on DGA domain name detection method based on SVM [D ] . Shandong:Jinan University , 2018 .

王志宏 , 杨震 . 人工智能技术的哲学及系统性思考 [J ] . 电信科学 , 2018 , 34 ( 4 ): 12 - 21 .

WANG Z H , YANG Z . Philosophy and systematic thinking of artificial intelligence technology [J ] . Telecommunications Science , 2018 , 34 ( 4 ): 12 - 21 .

YU B , GRAY D L , PAN J , et al . Inline DGA Detection with Deep Networks [C ] // Proceedings of IEEE International Conference on Data Mining Workshops (ICDMW) . Piscataway:IEEE Press , 2017 : 683 - 692 .

绿盟科技 . 2019年BOTNET趋势报告 [R ] . 2020 .

NSFOCUS . BOTNET trends report 2019 [R ] . 2020 .

浏览量

635

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

GMTBLC：基于深度学习的双模态网络流量分类

基于改进YOLOv5的天线下倾角识别方法研究

基于时序深度残差收缩网络的混叠信号调制识别方法

日志信息驱动的计算机网络节点故障预测研究

基于可解释机器学习模型的电信行业客户流失预测研究