DNS-GT：基于图的 Transformer 方法学习 DNS 查询域名嵌入
密码学与安全
2026-03-13 v1 机器学习
摘要
网络入侵检测系统在组织的安全策略中才作为检测和防止网络攻击的关键手段。这些系统通常结合模式检测签名与基于机器学习方法的异常检测技术。然而，常用机器学习方法存在对标记数据高度依赖且泛化能力有限的缺点。为此，嵌入方法被引入学习网络数据表示，如 DNS 流量，由于其大量可用性，能够有效泛化至众多下游任务。然而，现有方法未能充分考虑 DNS 查询之间的上下文信息。本文提出 DNS-GT，一种 novel Transformer 模型，从 DNS 查询序列中学习域名嵌入。该模型首先以自监督方式进行预训练，以学习 DNS 活动的总体行为。随后可在特定下游任务上进行 fine-tuning，利用给定序列中与其他相关查询之间的相互作用。我们的实验使用真实 DNS 数据表明，该方法能够学习有效的域名表示。在域名分类和僵尸网络检测任务上的定量评估显示，我们的方法在相关基准方法上取得更好结果，为进一步探索大规模语言模型用于入侵检测系统提供了可能性。我们的代码可在 https://github.com/m-altieri/DNS-GT 获取。
关键词
引用
@article{arxiv.2603.11200,
title = {DNS-GT: A Graph-based Transformer Approach to Learn Embeddings of Domain Names from DNS Queries},
author = {Massimiliano Altieri and Ronan Hamon and Roberto Corizzo and Michelangelo Ceci and Ignacio Sanchez},
journal= {arXiv preprint arXiv:2603.11200},
year = {2026}
}