基于迁移学习的小样本DGA恶意域名检测方法

摘要：

域名生成算法(DGA)存在变化多、部分类别样本难获取的特点,使得采用传统机器学习的恶意域名检测模型准确性不高.提出一种基于迁移学习和多核CNN的小样本DGA恶意域名检测模型.该模型将目标域名映射到向量空间中,使用样本充足的DGA种类进行预训练,并迁移预训练得到的参数到小样本检测模型.采用多核CNN小样本分类模型根据发音习惯进行域名特征提取并分类.通过实验对比发现,无知识迁移的小样本分类模型只有11类域名准确率超过92％,经过迁移学习的多核CNN模型20类准确率超过92％,11类准确率超过97％,检测效果接近数据充足时的分类效果.

关键词：恶意域名、卷积神经网络、迁移学习、域名生成算法、小样本学习

所属期刊栏目：57

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金;民航安全能力建设项目;民航安全能力建设项目;中央高校中国民航大学专项

在线出版日期：2021-07-22（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：103-109