[發(fā)明專利]DGA域名實時檢測方法和裝置有效
| 申請?zhí)枺?/td> | 201711130020.0 | 申請日： | 2017-11-15 |
| 公開（公告）號： | CN109788079B | 公開（公告）日： | 2022-03-15 |
| 發(fā)明（設(shè)計）人： | 曾鳳;常朔;萬曉川 | 申請（專利權(quán)）人： | 瀚思安信（北京）軟件技術(shù)有限公司 |
| 主分類號： | H04L61/4511 | 分類號： | H04L61/4511;H04L9/40;G06K9/62 |
| 代理公司： | 北京恒博知識產(chǎn)權(quán)代理有限公司 11528 | 代理人： | 范勝祥 |
| 地址： | 100094 北京市海淀區(qū)東*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | dga 域名 實時 檢測 方法 裝置 | ||
1.一種DGA域名實時檢測方法，其特征在于包括以下步驟：
步驟S1，將原始域名轉(zhuǎn)換為多維數(shù)值向量的圖像格式；
步驟S2，將所述多維數(shù)值向量的圖像格式輸入到基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型，生成域名特征；
步驟S3，基于生成的域名特征訓(xùn)練域名分類器；
步驟S4，基于訓(xùn)練得到的域名分類器對DGA域名進(jìn)行分類和預(yù)測；
其中，所述步驟S1將原始域名轉(zhuǎn)換為多維數(shù)值向量的圖像格式包括以下步驟：
步驟S11，將原始域名的字符串轉(zhuǎn)換為多維圖像字節(jié)矩陣，以匹配基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型的輸入；
步驟S12，將所述多維圖像字節(jié)矩陣的尺寸縮小到預(yù)定大小；
所述步驟S2之前進(jìn)一步包括以下步驟：
步驟S2’，對所述縮小到預(yù)定大小的多維圖像字節(jié)矩陣進(jìn)行歸一化處理。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述步驟S2中生成域名特征包括：
抽取所述訓(xùn)練好的深度學(xué)習(xí)模型的倒數(shù)第三層來生成域名特征。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型包括：AlexNet模型、VGG模型、SqueezeNet模型、Inception模型或ResNet模型。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于：所述域名分類器包括決策樹模型、支持向量機(jī)模型、邏輯回歸模型或隨機(jī)森林模型。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于：所述步驟S3中基于生成的域名特征訓(xùn)練域名分類器包括：計算兩個域名之間的相似度距離。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于：所述步驟S3中基于生成的域名特征訓(xùn)練域名分類器包括：計算域名族中域名的特征平均值作為所述域名族的特征。
7.一種DGA域名實時檢測裝置，其特征在于包括以下模塊：
轉(zhuǎn)換模塊，用于將原始域名轉(zhuǎn)換為多維數(shù)值向量的圖像格式；
深度學(xué)習(xí)模塊，用于將所述多維數(shù)值向量的圖像格式輸入到基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型，生成域名特征；
分類器訓(xùn)練模塊，用于基于生成的域名特征訓(xùn)練域名分類器；
預(yù)測模塊，用于基于訓(xùn)練得到的域名分類器對DGA域名進(jìn)行分類和預(yù)測；
其中，所述轉(zhuǎn)換模塊包括：
預(yù)處理單元，用于將原始域名的字符串轉(zhuǎn)換為多維圖像字節(jié)矩陣，以匹配基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型的輸入；
調(diào)整單元，用于將所述多維圖像字節(jié)矩陣的尺寸縮小到預(yù)定大小；
所述檢測裝置進(jìn)一步包括：
歸一化模塊，用于對所述縮小到預(yù)定大小的多維圖像字節(jié)矩陣進(jìn)行歸一化處理。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于：所述深度學(xué)習(xí)模塊抽取所述預(yù)訓(xùn)練好的深度學(xué)習(xí)模型的倒數(shù)第三層來生成域名特征。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于：所述基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型包括：AlexNet模型、VGG模型、SqueezeNet模型、Inception模型或ResNet模型。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于：所述域名分類器包括決策樹模型、支持向量機(jī)模型、邏輯回歸模型或隨機(jī)森林模型。
11.根據(jù)權(quán)利要求10所述的裝置，其特征在于：所述分類器訓(xùn)練模塊包括：相似度計算單元，用于計算兩個域名之間的相似度距離。
12.根據(jù)權(quán)利要求11所述的裝置，其特征在于：所述分類器訓(xùn)練模塊包括：特征計算單元，用于計算域名族中域名的特征平均值作為所述域名族的特征。
13.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序指令，所述計算機(jī)程序指令用于在計算機(jī)中執(zhí)行以下步驟：
步驟S1，將原始域名轉(zhuǎn)換為多維數(shù)值向量的圖像格式；
步驟S2，將所述多維數(shù)值向量的圖像格式輸入到基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型，生成域名特征；
步驟S3，基于生成的域名特征訓(xùn)練域名分類器；
步驟S4，基于訓(xùn)練得到的域名分類器對DGA域名進(jìn)行分類和預(yù)測；
其中，所述步驟S1將原始域名轉(zhuǎn)換為多維數(shù)值向量的圖像格式包括以下步驟：
步驟S11，將原始域名的字符串轉(zhuǎn)換為多維圖像字節(jié)矩陣，以匹配基于ImageNet數(shù)據(jù)集預(yù)訓(xùn)練好的深度學(xué)習(xí)模型的輸入；
步驟S12，將所述多維圖像字節(jié)矩陣的尺寸縮小到預(yù)定大小；
所述步驟S2之前進(jìn)一步包括以下步驟：
步驟S2’，對所述縮小到預(yù)定大小的多維圖像字節(jié)矩陣進(jìn)行歸一化處理。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于瀚思安信（北京）軟件技術(shù)有限公司，未經(jīng)瀚思安信（北京）軟件技術(shù)有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201711130020.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
