基于AN和LSTM的恶意域名检测

摘要：

目前,恶意域名被广泛应用于远控木马、钓鱼欺诈等网络攻击中,传统恶意域名检测方法存在长距离依赖性问题,容易忽略上下文信息并且数据维度过大,无法高效、准确地检测恶意域名.提出了一种自编码网络(Auto-encoder Network,AN)降维和长短期记忆神经网络(Long Short-Term Memory network,LSTM)检测恶意域名的深度学习方法.利用实现包含语义的词向量表示,解决了传统方法导致的数据表示稀疏及维度灾难问题.由word2vec构建词向量作为LSTM的输入,利用Attention机制对LSTM输入与输出之间的相关性进行重要度排序,获取文本整体特征,最后将局部特征与整体特征进行特征融合,使用softmax分类器输出分类结果.实验结果表明,该方法在恶意域名检测上具有较好的表现,比传统检测恶意域名方法具有更高的检测率和实时性.

关键词：恶意域名检测、长短时记忆神经网络、word2vec、Attention机制

所属期刊栏目：56

分类号：TP393(计算技术、计算机技术)

资助基金：贵州省科学基金黔科合J字[2011]2328;黔科合LH字[2014]7634

在线出版日期：2020-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：92-98