[發(fā)明專利]基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法在審
| 申請?zhí)枺?/td> | 201910971102.0 | 申請日： | 2019-10-14 |
| 公開（公告）號(hào)： | CN110866611A | 公開（公告）日： | 2020-03-06 |
| 發(fā)明（設(shè)計(jì)）人： | 溫延龍;范淵 | 申請（專利權(quán)）人： | 杭州安恒信息技術(shù)股份有限公司 |
| 主分類號(hào)： | G06N20/10 | 分類號(hào)： | G06N20/10;H04L29/06;H04L29/12 |
| 代理公司： | 杭州中成專利事務(wù)所有限公司 33212 | 代理人： | 金祺;周世駿 |
| 地址： | 310051 浙江省*** | 國省代碼： | 浙江;33 |
| 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： | 基于 svm 機(jī)器 學(xué)習(xí) 惡意 域名 檢測 方法 | ||
1.基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法，其特征在于：包括以下步驟：
1)、收集數(shù)據(jù)；
2)、確定需要的維度；
3)、獲得收集數(shù)據(jù)的維度，作為訓(xùn)練集數(shù)據(jù)；
4)、利用SVM模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練生成模型；
5)、測試訓(xùn)練結(jié)果調(diào)整準(zhǔn)確率。
2.根據(jù)權(quán)利要求1所述的基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法，其特征在于：
在步驟1中：獲取惡意域名作為收集數(shù)據(jù)的負(fù)樣本；獲取非惡意域名作為收集數(shù)據(jù)的正樣本。
3.根據(jù)權(quán)利要求2所述的基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法，其特征在于：
確定維度包括域名的Alexa排名、搜狗RanK、搜狗的域名收入量、百度的收入量、必應(yīng)的收入量、網(wǎng)站的首頁完整度、是否是主流域名后綴、域名IP解析地理位置、A記錄與CNAME、域名WHOIS數(shù)據(jù)。
4.根據(jù)權(quán)利要求3所述的基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法，其特征在于：
收集10種維度數(shù)據(jù)的方式：
Alexa排名:通過接口獲取域名的排行，如果沒有排行設(shè)置為較大值；
搜狗RanK：搜狗RanK值越大網(wǎng)站越大；沒有搜狗RanK的設(shè)為0；
搜狗的域名收入量：通過搜狗搜索引擎獲取域名收入量；沒有收入量設(shè)為0；
百度的域名收入量：通過百度搜索引擎獲取域名收入量；沒有收入量設(shè)為0；
網(wǎng)站首頁的完整度：判斷網(wǎng)頁首頁是否包含<html><script><table><title><img><link><a><body><css>，越完整分?jǐn)?shù)越高累加，首頁為空則為0；
是否主流域名后綴：主流域名的主流后綴為.com、.net.、.cn；
域名解析IP地理位置：域名是否在國外；
A記錄CNAME：有A記錄CNAME的記1，沒有的記為0；
域名WHOIS:有WHOIS并且是匿名注冊的記0，有WHOIS并且不是匿名注冊的記1；
必應(yīng)的收入量：通過必應(yīng)搜索引擎獲取域名收入量，沒有收入量設(shè)為0。
5.根據(jù)權(quán)利要求4所述的基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法，其特征在于：
步驟4包括：
4.1)、首先載入訓(xùn)練集數(shù)據(jù)；
4.2)、訓(xùn)練集數(shù)據(jù)數(shù)據(jù)歸一化，得到歸一化之后的數(shù)據(jù)；將數(shù)據(jù)縮小至方差為1均值0的數(shù)組；
4.3)、將歸一化之后的數(shù)據(jù)劃分為訓(xùn)練樣本和測試樣本，將訓(xùn)練樣本放入SVM算法中進(jìn)行訓(xùn)練，利用訓(xùn)練樣本進(jìn)行模型的驗(yàn)證，使用SVM算法進(jìn)行模型的訓(xùn)練。
6.根據(jù)權(quán)利要求5所述的基于SVM機(jī)器學(xué)習(xí)的惡意域名檢測方法，其特征在于：
步驟5)、測試訓(xùn)練結(jié)果調(diào)整準(zhǔn)確率的方法包括：
1：利用模型對(duì)數(shù)據(jù)進(jìn)行識(shí)別，將識(shí)別結(jié)果重新放入訓(xùn)練樣本進(jìn)行訓(xùn)練，加訓(xùn)練樣本；
2：利用交叉驗(yàn)證的方法，設(shè)置模型的參數(shù)進(jìn)行驗(yàn)證，計(jì)算模型的最優(yōu)解參數(shù)，根據(jù)最優(yōu)解對(duì)數(shù)據(jù)進(jìn)行重新模型的訓(xùn)練。
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)利屬于杭州安恒信息技術(shù)股份有限公司，未經(jīng)杭州安恒信息技術(shù)股份有限公司許可，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/201910971102.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 基于支持向量機(jī)的入侵檢測方法
- 一種提高SVM建模準(zhǔn)確率的方法
- 一種用于解決多分類問題的糾錯(cuò)SVM分類方法
- 基于SVM分類器的隱私保護(hù)和數(shù)據(jù)安全訪問的方法
- 基于SVM算法的客戶用電需求識(shí)別方法
- 基于V-SVM的DDoS攻擊檢測方法和裝置
- 一種改進(jìn)最小二乘支持向量機(jī)的諧波發(fā)射水平評(píng)估方法
- 基于SVM模型的GNSS觀測數(shù)據(jù)質(zhì)量控制及定位方法
- 用于自動(dòng)選擇安全虛擬機(jī)的系統(tǒng)和方法
- 一種基于BAS-SVM的配電網(wǎng)電壓暫降源識(shí)別方法
- 根據(jù)用戶學(xué)習(xí)效果動(dòng)態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個(gè)人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動(dòng)學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)
- 游戲?qū)W習(xí)效果評(píng)測方法及系統(tǒng)
