近年科技论文中网络引文的域名特征研究

以CSCD引文数据库为统计源,通过http等特征词筛选出网络引文样本,然后从顶级域名和二级域名层次分析网络引文的域名特征,理出被引频次在各级网域的分布情况,找出重点被引网域和重点被引网站,为研究人员掌握科技类网络资源的分布利用规律,锁定重点网络情报源提供帮助。

基于特征多样化的恶意域名检测

恶意域名是威胁当前网络安全的重要因素之一,对恶意域名进行快速检测是维护网络环境安全的一个重要手段。针对现有检测方法存在开销大、检查时间较长、检测类型单一的问题,提出了一种基于特征多样化的检测方法,首先从域名词汇、域名访问量的角度提取多元特征,随后使用基于随机森林的分类检测模型来区分域名。实验结果表明:该方法在达到95%准确率的情况下,极大地降低了计算复杂度,并且具有一定的通用性。

基于深度自编码和决策树的恶意域名检测

针对目前恶意域名检测方法特征提取过程复杂和检测准确率不高的问题,提出一种基于深度自编码和决策树(Deep Auto Encoder and Decision Tree, DAE-DT)的恶意域名检测算法.该算法首先将每一域名按照域名词法组成与结构等属性进行特征映射,并进行正则化处理;然后将正则化处理后的无标签域名数据随机置0作为模型的输入,域名字符统计特征作为输出,构造深度自编码网络模型.并通过计算模型输出值与未处理数据之间的重构误差,实现各层参数与权值的优化,以增强模型的鲁棒性;最后依据提取的域名字符统计特征构造恶意域名判定的决策树.通过在Alexa和Malware domain list等标准数据集上进行测试.实验结果表明,该模型的检测准确率、精确率、假阴性率和假阳性率值分别为95.21%、94.17%、2.41%和3.63%.

僵尸网络及检测技术探索

通过综述僵尸网络的相关知识,提出基于行为与域关联的检测方法。对僵尸网络的行为流和域名查询流进行类聚,建立一种聚类联动的检测模型,以期突破基于特征的监测的局限性。本文分析了僵尸网络的相关知识和工作原理,重点分析基于Behavior-domain模型的僵尸网络检测方法。

基于DNS分析恶意行为检测的研究

DNS是互联网的重要基础设施,现阶段DNS安全问题已经成为互联网安全可靠运行亟待解决的安全问题。本文对现有Notos、Exposure、Kopis3种DNS信誉检测系统进行了梳理,提出了采用机器学习基于时间特征、域名特征、信誉特征3种统计特性的DNS分析恶意行为检测系统。