基于注意力特征融合网络的DGA恶意域名检测方法

僵尸网络借助DGA生成大量随机域名逃避安全防御系统监测。为解决已有DGA恶意域名检测方法准确性不高和泛化能力受限等问题,提出基于注意力特征融合网络。通过结合输入层、Embedding层、卷积神经网络层、注意力模块和长短时记忆网络层,实现层次化特征提取使模型性能得到极大的改善。实验结果显示,该方法在各项指标上都有明显的提升,表现出优秀的DGA恶意域名检测能力。

基于改进Transformer和强化学习的僵尸网络DGA域名检测

针对现有僵尸网络检测方法检测精度不高和检测时间开销较大的问题,提出一种基于改进Transformer和强化学习的僵尸网络域名生成算法(Domain Generation Algorithm,DGA)的域名检测方法。首先,利用深度可分离卷积替换ResNet和ResNeXt网络中的卷积块,通过减少网络模型参数来降低模型的时间开销;其次,利用改进后的ResNet和ResNeXt网络将域名字符串映射到深度特征空间,构造多尺度特征,强化特征的表达能力;再次,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)对Transformer网络进行改进,在保持字符间相对位置的同时,进一步建立上下文的长距离依赖编码,并在此基础上引入注意力机制,强化模型对关键特征的捕获能力;最后,引入强化学习对模型进行微调,提高DGA域名的检测精度。在多个DGA域名数据集上进行测试验证,结果表明该模型在保持检测时间开销较小的基础上,具有更高的检测精度。

基于均值中心孪生卷积神经网络的DGA域名识别

相比于大多数仅依赖域名的特征进行DGA域名识别方法的特征值选取有限、分类准确度较低的问题,提出了利用数字证书和域名共同解析的特征向量识别DGA域名的方法.另外,为了提升计算准确度和时间效率,提出了带有均值中心的孪生卷积神经网络——MCSCNN模型,用于DGA域名的分类识别中.将所提出的方法应用于20种DGA域名的分类识别中,得到的准确度(A),精确度(P),召回率(R)以及F1值(F1)结果分别是98.35%,98.11%,98.38%以及98.42%,比对比算法的最优值分别提高了5.68%,4.76%,7.24%以及4.2%.在时间效率上MCSCNN所用时间只是对比算法最优时间的1/108,极大地提升了运算效率.

基于字符特征的DGA域名检测方法研究综述

利用域名生成算法(Domain Generation Algorithm,DGA)可以生成大量的随机域名,近年来僵尸网络普遍使用DGA域名来增强隐蔽性。高效的检测DGA域名,对发现僵尸网络和保障网络信息安全具有重要意义。基于字符特征的DGA域名检测指仅利用域名的字符串完成检测,是一种实时检测方法,也是近年来对DGA域名检测研究的热点。对此类方法进行研究发现,使用传统机器学习和深度学习算法能够有效地检测DGA域名。但是对基于单词表的DGA域名、长度较短的DGA域名和新型DGA域名,还需要通过改进词嵌入方式、引入注意力机制或加入对抗样本等方法,来提高检测能力。最后对基于字符特征的DGA域名检测方法进行总结,分析不同检测方法的优点和存在的问题,提出了未来的研究方向和研究中需要解决的关键问题。

基于相似度的DGA域名检测方法

僵尸网络使互联网面临着巨大的威胁。依托僵尸网络的分布式拒绝服务攻击和垃圾邮件等恶意行为能给攻击目标造成巨大损失,其通信主要基于DGA域名,因此需要对域名进行检测。现有检测方法主要基于字符编码提取域名特征,再利用神经网络进行分类。由于仅考虑了字符特征,因此对DGA域名检测的准确率往往不高。为准确检测出DGA域名,提出了域名字符相似度和域名节点相似度的计算方法,并依据相似度对DGA域名进行检测。首先构建以双向门控循环单元神经网络为基学习器的模型,从数据集中筛选出具有明显特征的DGA域名;然后,使用循环神经网络对被筛选出的DGA域名进行聚类;最后,计算数据集中待检测域名与DGA域名的相似度,将相似度大于阈值的域名分类为DGA域名。实验结果表明,该方法在检测含多类DGA域名的数据集时准确率可达到99.03%。

基于改进的CNN-LSTM的DGA域名检测算法

近年来,网络安全问题层出不穷,其中僵尸网络是造成网络瘫痪的重要原因之一。僵尸网络利用域名生成算法(DGA)生成大量恶意域名进行网络攻击,对网络安全造成威胁。现有的DGA域名主要分为字典型和字符型,传统的深度学习方法无法同时检测出两种类型的DGA域名,尤其是无法检测出基于字典的DGA域名。针对这个问题,本文提出了改进的CNN-LSTM的DGA域名检测算法,该算法融合了卷积神经网络(CNN)、注意力机制和双向长短时记忆网络(BiLSTM),可以同时检测出两种类型的DGA域名。最后进行了不同算法的对比实验,实验结果表明,与其他深度学习模型相比,该算法提高了DGA域名的二分类和多分类的准确率和F1值。在多分类实验中,通过改进损失函数,提高了小样本数据的域名检测率。

基于优化CS-SVM算法的DGA域名检测研究

近年来恶意软件融合域名生成算法,生成大量的恶意域名严重威胁网络安全。目前现有的恶意域名检测方法大多都存在检测效率低等问题。提出一种通过采用优化后的布谷鸟搜索算法(CS)对支持向量机(SVM)进行优化,即BCS-SVM方法,该方法能够适应DGA域名检测场景。实验采用开放域名数据作为样本集,对文章提出的DGA域名检测方法进行训练,并通过域名向量转换、检测模型训练、参数调优,最终完成了一种较为高效的DGA域名检测模型。

基于DGA与IGWO-WELM的变压器不平衡故障诊断研究

针对变压器故障诊断精度较低的问题,提出一种改进的灰狼算法(IGWO)与加权极限学习机(WELM)的变压器不平衡故障诊断模型。首先,基于油中气体分析(DGA)技术,结合无编码方法将变压器的7种特征量作为可视输入;然后,采用Logistic混沌映射、云模型惯性权重对灰狼算法(GWO)进行改进;最后利用IGWO对WELM的相关参数进行迭代优化,并利用IGWO-WELM故障诊断模型对变压器进行故障诊断。试验结果表明:提出模型的G-mean平均值为96.06%,比GWO-WELM、GA-WELM、PSO-WELM和WELM分别高10.96%、12.92%、1.08%和18.41%;误报率平均值为12.28%,也明显低于其他4种模型。

基于Transformer和多特征融合的DGA域名检测方法

针对域名生成算法生成的恶意域名隐蔽性高,现有方法在恶意域名检测上准确率不高的问题,提出一种基于Transformer和多特征融合的DGA域名检测方法。该方法使用Transformer编码器捕获域名字符的全局信息,通过并行深度卷积神经网络获取不同粒度的长距离上下文特征,同时引入双向长短期记忆网络BiLSTM和自注意力机制Self-Attention结合浅层CNN得到浅层时空特征,融合长距离上下文特征和浅层时空特征进行DGA域名检测。实验结果表明,所提方法在恶意域名检测方法上有更好的性能。相对于CNN、LSTM、L-PCAL和SW-DRN,所提方法在二分类实验中准确率分别提升了1.72%,1.10%,0.75%和0.34%;在多分类实验中准确率分别提升了1.75%,1.29%,0.88%和0.83%。

基于DGA技术的牵引变压器在线监测系统

为了确保高速铁路安全运行,实时监测牵引变压器运行状态,及时地发现牵引变压器内部故障具有重要的意义。文章在分析牵引供电系统运行可靠性要求和牵引变压器故障诊断要求的基础上,提出了基于DGA技术的牵引变压器在线监测的构想,并设计了相应的TTM-Ⅰ型牵引变压器在线监测系统,实现了对牵引变压器运行状态的不间断监测。现场运行数据与实验室数据的比较验证了该系统的有效性。

基于RPROP神经网络算法的主变DGA故障诊断模型

故障诊断模型是开展输变电设备状态检修的核心环节之一,文中采用弹性反馈(RPROP)神经网络算法建立主变压器油中溶解气体的神经网络故障诊断模型,通过与带动量因子的标准反向传播(BP)算法、Bold Driver算法、SuperSAB算法相比较,表明了RPROP算法在故障模式识别中具有更好的学习效率与泛化能力,故障诊断的准确度高于传统分析方法,在变电设备状态诊断中具有良好的应用前景。

基于支持向量机和DGA的变压器状态评估方法

电力变压器老化、故障机理复杂,具有不确定性,难以进行准确的状态评估,故提出了一种基于支持向量机的二叉树多级分类器变压器状态评估方法,该模型以变压器油中溶解气体的含气量和产气速率为评价指标,结合《电力设备预防性试验规程》和《变压器油中溶解气体分析和判断导则》制定了半梯形百分制评分模型对选定的评价指标进行评分;将变压器状态分为良好、一般、注意、较差4种状态,利用从变压器历史试验数据库中归纳整理的样本分别对三级支持向量机分类器进行训练,经过训练的分类器能够正确判断出变压器所处的状态。实例分析结果表明该方法的有效性和实用性。

基于DGA的变压器故障诊断多专家融合策略

介绍了基于油中溶解气体分析(DGA)的电力变压器故障综合诊断。采用的诊断判据主要包括改良三比值法、大卫三角形法、神经网络和范例推理。在多专家(多诊断判据)的参与下,可能出现诊断结果相互冲突的问题,而如何融合不同诊断判据下的诊断结果仍是一个难点。为解决这一问题,在把各诊断结果分解为放电和过热故障的基础上,引入了多专家加权投票策略(加权多数算法)。权重系数根据各诊断判据的诊断正确率初步确定。实践证明了该方法的可行性。

基于word-hashing的DGA僵尸网络深度检测模型

针对使用域名生成算法(DGA)僵尸网络隐蔽性强,传统检测算法特征提取复杂的问题,提出一种无需提取具体特征的深度学习模型DGA域名检测方法.首先基于word-hashing将所有域名转用二元语法字符串表示,利用词袋模型把域名映射到高维向量空间.然后利用5层深度神经网络对转换为高维向量的域名进行训练分类检测.通过深度模型,能够从训练数据中发现不同层次抽象的隐藏模式和特征,而这些模式和特征使用传统的统计方法大多是无法发现的.实验中使用了10万条DGA域名和10万条合法域名作为样本,与基于自然语言特征分类算法进行对比实验.实验结果表明该深度模型对DGA域名检测准确率达到97.23%,比基于自然语言特征分类算法得到的检测准确率高3.7%.

基于贝叶斯网络和DGA的变压器故障诊断

用 3步法构造贝叶斯网络 (BN)方法 ,结合油中溶解气体分析 (DGA)的三比值法后 ,引入大型变压器的故障诊断 ,提出了基于BN理论和DGA方法的变压器智能故障诊断模型。 2

甘肃当归新品系DGA2000-02的选育研究

当归新品系DGA2000-02是采用重离子束55MeV/u40Ar+15离子辐照甘肃当归90-01干种子,按新品种选育程序多年选育而成的。2005—2007年,在定西市岷县、渭源县、漳县、陇西县等地当归品系区域试验中,甘肃当归DGA2000-02平均产鲜当归10621.5kg/hm2,较对照品种(甘肃当归90-01)平均增产鲜当归1386.0kg/hm2,增产率15.0%。生育期790d,茎秆深紫色,根系黄白色。测定结果:总灰分4.2%,酸不溶性灰分0.4%,分别优于对照品种16%和33.3%;浸出物61.4%,较规定指标提高4.4%;阿魏酸0.148%,较规定指标提高2.96倍。质量显著优于对照品种和2005年版《中国药典》规定指标。适宜在海拔2000—2600m、年降水量500—600mm的二阴及高寒阴湿生态区栽培。

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。

DGA技术在电力变压器绝缘故障诊断中的应用与进展

介绍了近年来油中溶解气体分析（ＤＧＡ）技术在电力变压器绝缘故障诊断中的应用和发展动向。

莱芜猪DGAT1基因的多态性研究

二酰基甘油酰基转移酶1(Diacylglycerol acyltransferase,DGAT1)是催化酰基化的辅酶A和二酰基甘油合成甘油三脂的关键限速酶。莱芜猪具有较强的脂肪沉积能力,可能与DGAT1基因的活性有关。本研究对莱芜猪DGAT1的外显子6-8共476 bp的序列进行了克隆、测序(GenBank登录号:DQ289596)和多态性分析,分别在外显子6的第27 bp位点和外显子8的第56 bp位点检测到单核苷酸多态(SNP),均属于沉默突变。克隆了莱芜猪5′调控区737 bp的序列,在-241 bp(相对于起始密码子ATG)发现单个碱基的插入,该多态性位点与莱芜猪脂肪沉积的关系值得进一步探讨。

陕北白绒山羊DGAT1基因外显子14多态性及其与部分生长和胴体性状的关系

【目的】探讨陕北白绒山羊DGAT1基因的SNPs及其与部分生长、胴体性状的相关性,为陕北白绒山羊分子标记辅助选择提供理论依据。【方法】测定234只陕北白绒山羊的部分生长、胴体指标,利用PCR-SSCP技术分析其DGAT1基因外显子14的多态性及与生长和胴体性状的关系。【结果】该座位存在一个突变位点(G→A),此SNPs导致甘氨酸(G)突变为谷氨酸(E);该群体的该位点有1对等位基因A和B以及3种基因型AA、AB和BB,A基因为优势等位基因,AA型为优势基因型,群体处于Hardy-Weinberg非平衡状态;AA型与BB型之间、AB型与BB型之间均在断奶重、周岁重、胸围和管围4个性状上差异极显著(P<0.01),但AA型与AB型之间在此4个性状上差异不显著(P>0.05);3种基因型间在其他性状上差异均不显著(P>0.05);在初生重、周岁重和胸围上均表现为BB型>AA型>AB型,在断奶重、体高和管围上均表现为BB型>AB型>AA型。【结论】该基因的此突变位点与绒山羊育种指标具有一定的相关性,通过提高BB型的频率可望改善绒山羊的生长发育及胴体性状;DGAT1基因可作为陕北白绒山羊生长及胴体性状的候选基因,也可作为绒山羊肉用性能的分子标记。