DomainGAN：生成对抗样本以攻击域名生成算法分类器
机器学习
2020-02-18 v3 密码学与安全
信号处理
机器学习
摘要
域名生成算法（DGAs）常被用于生成大量域名供僵尸网络使用。这些域名常被用作恶意软件命令与控制的服务器的会合点。有许多算法用于生成域名，然而其中许多算法过于简单，易被传统机器学习技术检测。本文优化了三种生成对抗网络（GANs）变体以生成具有类似良性域名特征的域名，从而产生能大幅规避若干最先进基于深度学习的 DGA 分类器的域名。我们还详细分析了每种变体在重复域名和已有域名冲突方面的攻击可用性。最后，我们通过将 GAN 生成的样本加入其原始训练数据集来微调最先进的 DGA 分类器，并分析性能变化。我们的结果表明，与传统 DGA 相比，基于 GAN 的 DGA 在规避 DGA 分类器方面更优，且在各变体中，带梯度惩罚的 Wasserstein GAN（WGANGP）在攻防两种用途上均为性能最高的 DGA。
引用
@article{arxiv.1911.06285,
title = {DomainGAN: Generating Adversarial Examples to Attack Domain Generation Algorithm Classifiers},
author = {Isaac Corley and Jonathan Lwowski and Justin Hoffman},
journal= {arXiv preprint arXiv:1911.06285},
year = {2020}
}