針對現(xiàn)有檢測方法對算法生成的惡意域名檢測效率不高,尤其對幾種難檢測的惡意域名類型檢測率低的問題,提出了一種改進的基于卷積神經(jīng)網(wǎng)絡(luò)的惡意域名檢測算法。該算法在現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,增加了提取更深層字符級特征的卷積分支,從而同時提取惡意域名的淺層和深層字符級特征并融合;引入一種聚焦損失函數(shù)以解決樣本難易程度和數(shù)量的雙重不平衡導(dǎo)致檢測率低的問題,可提高對難樣本的檢測準確率。改進后的算法對20種惡意域名的平均檢測準確率為97.62%,與原算法相比提高了0.94%;對4種較難檢測域名的檢測準確率分別提高了3.71%、4.6%、11.18%和17.8%。實驗結(jié)果表明,改進的算法能夠提高對惡意域名的檢測準確率,尤其能夠顯著提升對部分難檢測域名的檢測準確率。 

【文章來源】：西安電子科技大學(xué)學(xué)報. 2020,47(01)北大核心EICSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
1 Invincea-CNN域名檢測算法
    1.1 域名字符量化
    1.2 Invincea-CNN網(wǎng)絡(luò)模型
2 改進的Invincea-CNN域名檢測算法
    2.1 改進的Invincea-CNN卷積模型
    2.2 Focalloss損失函數(shù)
3 實驗與結(jié)果分析
    3.1 數(shù)據(jù)集
    3.2 對比實驗
4 總結(jié)


【參考文獻】：
期刊論文
[1]一種Android惡意軟件檢測模型[J]. 楊宏宇,那玉琢.  西安電子科技大學(xué)學(xué)報. 2019(03)
[2]基于word-hashing的DGA僵尸網(wǎng)絡(luò)深度檢測模型[J]. 趙科軍,葛連升,秦豐林,洪曉光.  東南大學(xué)學(xué)報(自然科學(xué)版). 2017(S1)



本文編號：3161786