基于生成对抗网络的恶意域名训练数据生成方法技术

本发明专利技术提供了基于生成对抗网络的恶意域名训练数据生成方法，涉及网络信息安全技术领域，包括：(1)获取真实Alexa域名，构建域名数据集；(2)构建域名自编码器网络并训练；(3)利用训练好的域名自编码器网络构建域名生成对抗网络模型；(4)真实数据与自身产生数据判断，进行判别输出；(5)采用MMD检验输出样本与真实域名判别是否来自相同分布；(6)输出训练数据。本发明专利技术采用基于最大均值差异MMD的两样本检验方法来验证生成器的输出样本与真实的Alexa域名样本来自相同的分布，保证生成模型和生成数据的有效性。的有效性。的有效性。

【技术实现步骤摘要】
基于生成对抗网络的恶意域名训练数据生成方法


[0001]本专利技术网络信息安全
，尤其涉及基于生成对抗网络的恶意域名训练数据生成方法。

技术介绍

[0002]在互联网产业蓬勃发展的同时，诸如网络诈骗、DDoS攻击、勒索软件、计算机恶意程序感染等各类网络安全事件层出不穷，据国家计算机网络应急技术处理协调中心CNCERT/CC监测显示，2020年我国境内木马或僵尸程序控制服务器IP地址数量为12810个，境内木马或僵尸程序受控主机IP地址数量为5338246个，由此构成的僵尸网络已经成为当前网络安全领域的巨大威胁。
[0003]僵尸网络广泛采用域名生成算法生成大量的随机域名来躲避安全检测，恶意域名的准确检测和识别成为当前网络安全管理的重要课题。基于神经网络的深度学习算法在恶意域名检测方面表现优异，Woodbridge等人首次利用长短期记忆网络构建DGA域名检测器，并在检测准确率、召回率等方面相较于传统机器学习模型有着明显优势；Yu等人对利用不同的卷积神经网络训练出的DGA域名检测器检测准确率高达90％以上。袁辰等人提出一种DGA域名训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成对抗网络的恶意域名训练数据生成方法，其特征在于，包括如下步骤：获取真实域名，构建域名数据集；构建域名自编码器网络，将域名数据集输入域名自编码器网络进行预训练，得到训练后的域名自编码器网络；利用训练好的域名自编码器网络构建域名生成对抗网络模型，通过对真实数据与域名生成对抗网络模型产生的恶意域名数据进行判断，并输出判断结果；对域名生成对抗网络模型进行训练，并利用最大均值差异MMD检验判别域名生成对抗网络模型的输出样本是否与真实域名来自相同的分布，检验通过则停止训练，输出训练完成后的恶意域名训练数据。2.如权利要求1所述的基于生成对抗网络的恶意域名训练数据生成方法，其特征在于，所述构建域名自编码器网络包括：通过3个平行的卷积网络和1个LSTM网络级联组成域名自编码器网络；通过3个卷积网络的卷积滤波核尺寸对应捕获域名数据字符间的n
‑
gram信息；通过LSTM网络挖掘和表示变长域名序列的潜在特征，生成可变长序列。3.如权利要求1所述的基于生成对抗网络的恶意域名训练数据生成方法，其特征在于，所述将域名数据集输入域名自编码器进行预训练包括如下步骤：对所述真实域名进行序列标记，进行独热编码；将所述独热编码后的序列输入级联的卷积层，并将级联的卷积层输出结果并列拼接后送入到另一个卷积层；将另一个所述卷积层输出结果输入展平层，利用展平层将输入序列平展成一个一维的矢量矩阵，作为编码器的输出；通过重构层将一维的输入序列重组成一个二维矢量矩阵；将所述二维矢量矩阵输入级联卷积层并输出，将输出结果并列拼接后送入输出卷积层；将输出卷积层的结果去除序列标记，得到原始域名。4.如权利要求1所述的基于生成对抗网络的恶意域名训练数据生成方法，其特征在于，所述利用将训练好的域名自编码器构建域名生成对抗网络模型包括如下步骤：利用解码器构建GAN网络生成器并进行训练；利用编码器构建GAN网络判别器并进行训练；通过所述GAN网络生成器与GAN网络判别器构成域名生成对抗网络模型。5.如权利要求4所述的基于生成对抗网络的恶意域名训练数...

【专利技术属性】
技术研发人员：刘伟山，马旭琦，汪航，李娟红，刘一丹，
申请(专利权)人：国家计算机网络与信息安全管理中心甘肃分中心，
类型：发明
国别省市：