少即是多：用于恶意域名检测的鲁棒新颖特征
密码学与安全
2020-06-03 v1
摘要
恶意域名日益普遍，构成严重的网络安全威胁。具体而言，当前多种网络攻击利用URL进行攻击通信（如C&C、钓鱼和鱼叉式钓鱼）。尽管在检测这些攻击方面持续取得进展，许多警示性问题仍未解决，例如防御机制的薄弱点。由于机器学习已成为恶意软件检测最突出的方法之一，本文提出一种鲁棒的特征选择机制，由此得到的恶意域名检测模型可抵御规避攻击。该机制基于经验数据表现出高性能。本文有两点主要贡献：首先，基于文献中广泛使用的特征，提供了鲁棒特征选择的分析。需注意，即便特征集维度空间减半（从9个降至4个特征），分类器性能仍有所提升（模型F1-score从92.92%增至95.81%）。其次，引入了对手难以操纵的鲁棒新颖特征。基于对不同的特征集和常用分类模型的广泛评估，本文表明基于鲁棒特征的模型既能抵抗恶意扰动，同时又可用于分类未受操纵的数据。
引用
@article{arxiv.2006.01449,
title = {Less is More: Robust and Novel Features for Malicious Domain Detection},
author = {Chen Hajaj and Nitay Hason and Nissim Harel and Amit Dvir},
journal= {arXiv preprint arXiv:2006.01449},
year = {2020}
}
备注
30 pages, 7 figures, 10 tables