一种基于eXpose和BiLSTM的DGA域名检测方法

针对子域名冲突给当前DGA检测算法带来精度降低的问题,本文首先研究了域名长度分布与冲突发生的概率关系,并提出了针对不同长度下域名冲突的解决方法.在模型方面,针对DGA域名检测,提出了一种基于改进eXpose和融合多头自注意力的BiLSTM方法.所提方法融合了改进的eXpose卷积网络和带有多头注意力的BiLSTM网络,在原有eXpose模型的基础上引入深度分支,使得模型在特征提取的尺度上更加全面,同时可通过BiLSTM模型提取域名序列双向的上下文信息.公开数据集上的对比实验验证了本文对超短子域名提取完整域名方法的有效性,在准确率和其他评价指标上较现有方法均得到有效提升.

基于卷积门控循环神经网络的Web攻击检测方法

针对Web应用程序的攻击一直是网络空间对抗的热点问题,随着Web攻击技术的不断发展,传统的入侵检测系统和Web应用防火墙越来越无法满足安全防护需求。针对攻击者在Web请求中嵌入可执行代码或注入恶意代码来构造各种Web攻击,本文设计一种基于特征融合的恶意Web请求检测卷积门控循环单元(CGRU)神经网络。该网络利用CNN捕捉网络事件的局部特征和高阶特征,摒弃了传统的池化方法,采用GRU代替原有的池化层在时间维度上进行特征采集。同时,为了提高检测性能,筛选传统机器学习中在Web攻击检测领域分类效果较好的9个统计特征来增强原始特征。此外,还使用Word2Vec模型对词嵌入矩阵进行预训练,获得CGRU模型的输入,并对最终结果进行分类,有效提高多分类精度。在公开的HTTP CSIC 2010数据集上与当前典型方法进行对比实验,结果表明:本文所提方法的准确率为99.81%,召回率为99.78%,F_(1)值为98.80%,精准率为99.81%,较当前典型方法均有提高。

基于尺度特征提取的Retinex-net增强网络

针对数字图像会出现亮度低和噪声大等对图像质量造成不良影响的退化现象,基于神经网络模型,构建了基于多尺度特征提取的Retinex-net网络,该网络模型包括3个模块,多尺度特征提取模块、光照分量模块和反射分量模块。首先通过高斯金字塔进行多尺度特征提取;光照估计模型基于最优化模型来求解低光图像的固有曝光不足,并通过融合网络得到光照估计图;在处理反射分量时,将尺度特征图加入去噪网络中以实现细节补偿,通过通道注意力模块提取更多的特征映射。通过消融实验证明了各模块的有效性,并且新模型在保护图像细节和色彩饱和度上均有较好的效果。同时,新模型较对比模型在客观指标参数峰值信噪比(PSNR)上提升约为6.28%,在结构相似性(SSIM)上提升约为12.25%。