原创力文档- 1、本文档共43页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
摘要
文章首先介绍了DGA域名的研究背景和价值，DGA域名的特点和基本定义。然后使用目前主流的智能算法：XGBoost类似的所有字体都是TimesNewRoman、朴素贝叶斯、多层感知器和循环神经网络结合几种特征提取的方法，包括N-Gram模型、统计域名特征模型和字符序列模型进行特征提取和相关算法进行实验，并对结果进行对比分析，获取较优特征提取和算法组合。实验结果表明，基于2-Gram特征模型的多层感知器对DGA域名检测的效果最佳。
类似的所有字体都是TimesNewRoman
虽然主流的检测方法在检测DGA域名已获得不错的成效，但是仍存在几大问题：模型检测能力仍有提升空间、缺乏演化性训练数据和检测模型的自身安全防御。本论文在实验选出最优的特征提取和算法组合基础上，对该组合中的重要超参数进行调优对比，获得更高检测能力的模型。最后，针对主流的检测技术缺乏具有演化价值的训练数据与检测模型自身安全问题，本论文提出一种通过改进型WGAN字符域名生成器生成对抗性域名的方法扩充有效训的练集。此方法生成了对抗性域名，相比传统GAN模型更加符合人类命名习惯，因此，增加这些含有对抗性因子的训练集，提高模型对未知域名的判别命中率，从而增强模型自身防御能力这句描述我做了长句分解。
这句描述我做了长句分解
关键词：DGA；机器学习；深度学习；WGAN
Abstract
ThearticlefirstintroducestheresearchbackgroundandvalueofDGAdomainnames,thecharacteristicsandbasicdefinitionofDGAdomainnames.Thenusethecurrentmainstreamintelligentalgorithms:XGBoost,NaiveBayes,MultilayerPerceptronandRecurrentNeuralNetworktocombineseveralfeatureextractionmethods,includingN-Grammodel,statisticaldomainnamefeaturemodelandcharactersequencemodelforfeatureextractionandexperiment.Theresultsarecomparedandanalyzedtoobtainbetterfeatureextractionandalgorithmcombination.Accordingtotheexperiment,MultilayerPerceptronbasedon2-gramfeaturemodelhasthebesteffectonDGAdomainnamedetection.
AlthoughmainstreamdetectionmethodshaveachievedgoodresultsindetectingDGAdomainnames,therearestillseveralmajorproblems:modeldetectioncapabilitiesstillhaveroomforimprovement,lackofevolutionarytrainingdata,andself-defenseofdetectionmodels.ThispaperisbasedontheMultilayerPerceptronofthe2-gramfeaturemodel,andcomparestheimportantHyperparametersinthecombinationtoobtainamodelwithhigherdetectionability.Finally,inviewofthelackofevolutionarytrainingdataanddetectionmodelsownsecurityissuesinmainstreamdetectiontechnologies,thisthesisproposesanimprovedtrainingsetbyusinganimprovedWGANcharacterdomainnamegeneratortogenerateadversarial
文档评论（0）