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: 2025119134025
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: 电通信技术
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:

1.一种基于混淆感知的DGA域名检测方法,其特征在于,包括:S1:获取原始DGA域名样本进行多维度特征提取,得到多通道特征向量,所述多通道特征向量包括:字符序列特征向量、统计特征向量、n-gram特征向量和顶级域名特征向量,所述S1包括:S11:采用字符序列编码器对原始DGA域名样本中的域名字符串进行LSTM编码,得到字符序列特征向量;

S12:计算域名的统计指标,得到统计特征向量;其中所述统计指标包括熵值、字符比例和长度;

S13:提取域名的2-gram序列并编码,得到n-gram特征向量;

S14:基于顶级域名解析器,提取域名的顶级域名并进行特征编码,得到顶级域名特征向量;

S2:基于混淆感知分支网络和所述多通道特征向量识别DGA域名的易混淆类别,得到类别感知矩阵,所述S2包括:S21:将所述多通道特征向量中的特征向量通过特征拼接层组合为联合表征,得到联合类别表征向量;

S22:基于全连接分类器对所述联合类别表征向量进行初始分类预测,得到类别预测概率分布;

S23:根据所述类别预测概率分布识别易混淆类别对,得到混淆对集合;

S24:基于矩阵构建算法,将所述类别预测概率分布和所述混淆对集合转换为类别间混淆关系,得到类别感知矩阵;

S3:基于所述类别感知矩阵,通过差异性表征学习分支对易混淆类别进行定向强化学习,得到差异性表征向量;

S4:基于特征融合网络,对所述多通道特征向量和所述差异性表征向量进行加权融合,得到增强特征表示;

S5:基于所述增强特征表示,通过联合损失函数训练代价敏感分类器,得到DGA域名分类模型;

S6:根据所述DGA域名分类模型对待检测域名进行分类预测,得到DGA域名家族分类结果。

2.根据权利要求1所述的基于混淆感知的DGA域名检测方法,其特征在于,S3包括:S31:基于所述类别感知矩阵,通过注意力机制为易混淆类别样本分配权重,得到类别注意力权重;

S32:基于所述类别注意力权重,通过双路编码器挖掘易混淆类别间的差异性特征,得到类别差异特征;

S33:将所述类别差异特征中的所有特征进行自适应融合,得到增强差异表征;

S34:通过修正损失函数优化所述增强差异表征的混淆敏感性,得到差异性表征向量。

3.根据权利要求2所述的基于混淆感知的DGA域名检测方法,其特征在于,S32中的双路编码器包括:第一路径编码器,用于对易混淆类别的原始特征进行深度表征学习,得到第一路径表征向量;

第二路径编码器,用于对易混淆类别的统计特征进行补充表征学习,得到第二路径表征向量。

4.根据权利要求1所述的基于混淆感知的DGA域名检测方法,其特征在于,S4包括:S41:通过注意力权重计算模块输出特征融合权重,根据所述特征融合权重对所述多通道特征向量和所述差异性表征向量进行加权融合,得到融合特征向量;

S42:将所述融合特征向量输入非线性变换层,以进行特征增强,得到增强特征表示。

5.根据权利要求1所述的基于混淆感知的DGA域名检测方法,其特征在于,S5包括:S51:根据预设训练数据集中多个DGA家族样本分布确定类别权重,得到代价敏感权重矩阵;

S52:根据所述代价敏感权重矩阵,构建基于加权交叉熵的损失函数,得到代价敏感损失函数;

S53:基于混淆感知分支网络的分类损失得到混淆感知损失,基于差异性表征学习分支的修正损失得到差异性表征损失,将混淆感知损失、差异性表征损失和所述代价敏感损失函数通过加权求和形式组合,得到联合损失函数;

S54:基于极端梯度提升分类器,结合所述联合损失函数,对所述增强特征表示进行端到端训练,得到DGA域名分类模型。

6.根据权利要求1所述的基于混淆感知的DGA域名检测方法,其特征在于,S6包括:S61:基于多通道特征提取器和特征融合网络,对待检测域名进行转换,得到待检测增强特征表示;

S62:将所述待检测增强特征表示输入DGA域名分类模型,得到DGA域名家族分类结果。

7.一种基于混淆感知的DGA域名检测系统,其特征在于,用于实现如权利要求1至6任一项所述的检测方法,包括:提取模块:用于获取原始DGA域名样本进行多维度特征提取,得到多通道特征向量;

识别模块:基于混淆感知分支网络和所述多通道特征向量识别DGA域名的易混淆类别,得到类别感知矩阵;

学习模块:用于基于所述类别感知矩阵,通过差异性表征学习分支对易混淆类别进行定向强化学习,得到差异性表征向量;

融合模块:用于基于特征融合网络,对所述多通道特征向量和所述差异性表征向量进行加权融合,得到增强特征表示;

训练模块:用于基于所述增强特征表示,通过联合损失函数训练代价敏感分类器,得到DGA域名分类模型;

预测模块,所述预测模块被配置为所述DGA域名分类模型,用于根据所述DGA域名分类模型对待检测域名进行分类预测,得到DGA域名家族分类结果。