欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118556932
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种DGA域名分类模型训练方法,其特征在于,所述方法包括:

从获取的初始DGA域名中提取初始TLD字符序列、初始N-TLD字符序列、初始N-TLD统计特征序列和初始N-TLD词库序列;

将所述初始TLD字符序列、所述初始N-TLD字符序列、所述初始N-TLD统计特征序列和所述初始N-TLD词库序列进行向量转换,得到对应的初始TLD字符向量、初始N-TLD字符向量、初始N-TLD统计特征向量和初始N-TLD词库向量,以构建初始向量数据集;

将所述初始TLD字符向量、所述初始N-TLD字符向量、所述初始N-TLD统计特征向量和所述初始N-TLD词库向量进行特征融合,得到多通道特征融合向量;

将所述多通道特征融合向量输入自编码网络层,得到重构TLD字符向量、重构N-TLD字符向量、重构N-TLD统计特征向量和重构N-TLD词库向量,以构建重构向量数据集;

根据所述初始向量数据集和所述重构向量数据集构建重构损失函数和第一分类损失函数;

基于所述重构损失函数和所述第一分类损失函数,得到目标多通道语义学习模型;

对所述多通道特征融合向量使用再平衡算法,得到再平衡向量数据集;

对所述再平衡向量数据集进行DGA域名分类,得到预测平衡分类结果;

基于所述DGA域名分类的过程构建第二分类损失函数,基于所述第二分类损失函数得到目标分类模型;

根据所述目标多通道语义学习模型和所述目标分类模型得到目标DGA域名分类模型。

2.根据权利要求1所述的一种DGA域名分类模型训练方法,其特征在于,从获取的初始DGA域名中提取初始TLD字符序列、初始N-TLD字符序列、初始N-TLD统计特征序列和初始N-TLD词库序列的步骤包括:将所述初始DGA域名分割为顶级根域名TLD和非顶级根域名N-TLD;

将所述顶级根域名TLD按照字符顺序,转换为所述初始TLD字符序列;

将所述非顶级根域名N-TLD按照字符顺序,转换为所述初始N-TLD字符序列;

从所述非顶级根域名N-TLD中统计出关键特征,得到所述初始N-TLD统计特征序列,所述关键特征包括N-TLD的字符长度、字符类型及各类型占比;

根据所述初始DGA域名构建DGA英文词库;

对所述初始DGA域名使用n-Gram算法,以生成Token片段;

从所述Token片段中筛选出高频Token片段,以形成高频Token词库;

合并所述DGA英文词库和所述高频Token词库,得到DGA词库序列;

将所述非顶级根域名N-TLD和所述DGA词库序列进行Token匹配,得到所述初始N-TLD词库序列。

3.根据权利要求1所述的一种DGA域名分类模型训练方法,其特征在于,将所述初始TLD字符向量、所述初始N-TLD字符向量、所述初始N-TLD统计特征向量和所述初始N-TLD词库向量进行特征融合,得到多通道特征融合向量的步骤包括:对所述初始TLD字符向量、所述初始N-TLD字符向量、所述初始N-TLD统计特征向量和所述初始N-TLD词库向量进行维度变换,得到对应的初始TLD字符低维向量、初始N-TLD字符低维向量、初始N-TLD统计特征低维向量和初始N-TLD词库低维向量;

将所述、所述、所述和所述进行特征融合,得到所述多通道特征融合向量。

4.根据权利要求3所述的一种DGA域名分类模型训练方法,其特征在于,将所述多通道特征融合向量输入自编码网络层,得到重构TLD字符向量、重构N-TLD字符向量、重构N-TLD统计特征向量和重构N-TLD词库向量的步骤包括:使用自动编码器对所述多通道特征融合向量进行特征重构,得到与所述、所述、所述和所述对应的重构TLD字符向量、重构N-TLD字符向量、重构N-TLD统计特征向量和重构N-TLD词库向量。

5.根据权利要求4所述的一种DGA域名分类模型训练方法,其特征在于,基于所述重构损失函数和第一分类损失函数,得到目标多通道语义学习模型的步骤包括:根据所述重构损失函数和第一分类损失函数构建复合损失函数,所述复合损失函数用于优化多通道语义学习模型以得到所述目标多通道语义学习模型;

所述复合损失函数的表达式为:,

其中,L1表示重构损失函数,L2表示第一分类损失函数,表示平衡参数;

所述重构损失函数的表达式为:;

所述第一分类损失函数的表达式为:,其中,C表示类别数,表示第i类的预测结果,表示第i类的标签。

6.根据权利要求1所述的一种DGA域名分类模型训练方法,其特征在于,对所述多通道特征融合向量使用再平衡算法,得到再平衡向量数据集的步骤包括:基于SMOTE再平衡算法,对所述多通道特征融合向量中的每个低于预设分类标准的少数类样本找到k近邻;

在所述k近邻中选择一个随机样本与原始样本进行线性组合,生成合成样本;

根据所述多通道特征融合向量和所述合成样本的集合得到再平衡向量数据集。

7.一种DGA域名分类模型训练系统,其特征在于,所述系统包括:

第一目标模型训练模块,用于从获取的初始DGA域名中提取初始TLD字符序列、初始N-TLD字符序列、初始N-TLD统计特征序列和初始N-TLD词库序列;将所述初始TLD字符序列、所述初始N-TLD字符序列、所述初始N-TLD统计特征序列和所述初始N-TLD词库序列进行向量转换,得到对应的初始TLD字符向量、初始N-TLD字符向量、初始N-TLD统计特征向量和初始N-TLD词库向量,以构建初始向量数据集;将所述初始TLD字符向量、所述初始N-TLD字符向量、所述初始N-TLD统计特征向量和所述初始N-TLD词库向量进行特征融合,得到多通道特征融合向量;将所述多通道特征融合向量输入自编码网络层,得到重构TLD字符向量、重构N-TLD字符向量、重构N-TLD统计特征向量和重构N-TLD词库向量,以构建重构向量数据集;根据所述初始向量数据集和所述重构向量数据集构建重构损失函数和第一分类损失函数;基于所述重构损失函数和所述第一分类损失函数,得到目标多通道语义学习模型;

第二目标模型训练模块,用于对所述多通道特征融合向量使用再平衡算法,得到再平衡向量数据集;对所述再平衡向量数据集进行DGA域名分类,得到预测平衡分类结果;基于所述DGA域名分类的过程构建第二分类损失函数,基于所述第二分类损失函数得到目标分类模型;

域名分类模型构建模块,用于根据所述目标多通道语义学习模型和所述目标分类模型得到目标DGA域名分类模型。

8.一种DGA域名平衡分类方法,其特征在于,所述方法包括:

获取待测DGA域名,将所述待测DGA域名输入目标多通道语义学习模型,得到多通道特征融合向量,所述目标多通道语义学习模型是通过如权利要求1至6中任一项所述的DGA域名分类模型训练方法训练而得到的;

将所述多通道特征融合向量输入目标分类模型,得到与所述待测DGA域名对应的预测平衡分类结果,所述目标分类模型是通过如权利要求1至6中任一项所述的DGA域名分类模型训练方法训练而得到的。

9.一种电子设备,其特征在于,包括:

处理器;

用于存储所述处理器可执行指令的存储器;

其中,所述处理器被配置为执行所述可执行指令,以实现如权利要求1至6任一项所述的一种DGA域名分类模型训练方法或如权利要求8所述的一种DGA域名平衡分类方法。

10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6任一项所述的一种DGA域名分类模型训练方法或如权利要求8所述的一种DGA域名平衡分类方法。