一种基于DNS大数据分析实现宽带共享监控系统架构设计

一种基于DNS大数据分析实现宽带共享监控系统,由数据层、支撑层以及应用层构成。基于DNS大数据分析实现宽带共享监控系统建设,建立起对用户行为进行全范围、全过程的大数据分析系统。通过从DNS服务器采集海量的用户信息,使用大数据分析模式,定位用户行为信息、定位核心价值数据,放于业务场景之下统一分析,提高传统系统提升数据价值的回报率。

网络DNS欺骗攻击的检测及其防护

DNS(Domain Name System)即域名服务系统,提供主机名字和IP地址信息的转换,它是联系整个网络的纽带,其安全的重要性不言而喻。而针对DNS服务器的欺骗攻击是攻击者常用的手法,但是目前的防范效果并不好。因此该文在前人研究的基础上,通过进行DNS欺骗攻击的实验,尝试在检测到欺骗之后发送正确数据包,试图找到一种简单而有效的防范策略,从而提高DNS的安全性和抗攻击性。

多出口环境下高校DNS服务器优化探讨

本文通过分析DNS服务器的数据流特征,将DNS服务器对解析请求的回复和非授权域名递归解析的数据流分离开来,单独进行选路。将源IP地址为校内DNS服务器的地址、源端口为53的TCP和UDP数据包——这些数据包为DNS服务器对校外客户机解析请求的回复——固定从教育网线路发送出去。源IP地址为校内DNS服务器的地址、目标端口为53的TCP或者UDP数据包——这些数据包为DNS服务器对客户机的非授权域名递归解析请求的解析过程——可以根据校园出口线路的带宽和特定需求进行选路。合理地设置DNS服务器数据流的选路,能够提高校园网出口的利用率和校园网用户的外网访问体验。

高级持续性威胁中隐蔽可疑DNS行为的检测

近年来,高级持续性威胁(advanced persistent threats,APT)危害企业、组织甚至国家安全,给目标带来了巨大的经济损失,其重要特征是攻击持续时间跨度大,在目标网络内长期潜伏.现有的安全防御措施还无法有效检测APT.现有研究认为通过分析APT攻击中目标网络的DNS请求,可以帮助检测APT攻击.增加DNS流量中的时间特征结合变化向量分析和信誉评分方法来检测隐蔽可疑的DNS行为.提出一种协助检测APT的框架APDD,通过分析大量的DNS请求数据检测长时间周期下APT中隐蔽可疑的DNS行为.将收集到的DNS请求数据执行数据缩减并提取特征;利用变化向量分析方法(change vector analysis,CVA)和滑动时间窗口方法分析待检测域名访问记录与现有APT相关域名之间的相似度;建立一个信誉评分系统对相似度较高的待检测域名访问记录进行打分;APDD框架输出一个可疑域名访问记录排名列表,可用于后续人工优先分析最可疑的记录,从而提高APT攻击的检测效率;利用一个大型校园网中收集的包含1 584 225 274条DNS请求记录的数据加入仿真攻击数据来验证框架的有效性与正确性,实验结果表明:提出的框架可以有效地检测到APT中隐蔽可疑的DNS行为.

DNS服务器是如何工作的?

想象一下,我们必须用社会安全号码(SSN, Social Security number)来确定彼此的位置。对于认识的前十个人它可能奏效,但除此之外,我们可能永远记不住任何人了。对于人类,因为诸多原因,名字比号码更容易记忆。 转向Internet。你想发出一个远程登录会话,并且你知道位于国家超级计算应用中心(National Center for Supercomputing Applications)的远程登录网点是ncsa.uiuc.edu。然后,你决定访问微软的Web网点。

RFC特征剖析及网络安全性对策

对DNS的基本工作原理及其数据结构,根据rfc1035做了简要介绍;并据其工作原理,对DNS的安全性问题进行了分析,尤其对DNS欺骗的原理作了详细分析,并对其在局域网中的应用作了必要的解析。

圆管湍流结构的数值研究

本文利用谱方法对光滑圆管内湍流流动进行了直接数值模拟 ,得到了圆管湍流充分发展的速度场和浓度场数据 ,利用DNS数据研究了圆管内湍流的低速条带、上抛、下扫等结构。通过求解浓度方程得到了浓度场数据 ,并对流动进行了显示。最后利用多种方法进行了猝发事件的检测 。

基于LSTM和CNN的恶意域名检测方法

笔者利用长短期记忆网络(LSTM)和卷积神经网络(CNN),以正常域名、不正常域名作为特征进行有监督的DNS数据异常检测方法的研究。该方法使用黑白样本集,通过有监督学习方法建立检测模型,实现对正常和不正常域名的二分类检测,主要实现对DNS隐蔽通道和DGA域名的检测。通过全监督的学习方法,能够识别已知黑样本特征集的异常域名。