越多越好？面向 DGA 检测的协作机器学习研究
密码学与安全
2021-09-27 v1 机器学习
摘要
域名生成算法（DGAs）通过生成大量域名，阻止僵尸网络与其主控端之间的连接被封锁。已有基于单一数据源的有前景方法被提出用于区分良性域名与 DGA 生成域名。协作机器学习（ML）可用于提升分类器的检测率、降低其假正率（FPR），并改善分类器对不同网络的泛化能力。在本文中，我们通过开展一项全面的协作学习研究补充 DGA 检测的研究领域，共包含 13,440 次评估运行。在两个真实场景中，我们使用三种不同的最先进分类器评估了共计十一种不同的协作学习变体。我们表明协作 ML 可使 FPR 降低达 51.7%。然而，尽管协作 ML 有益于 DGA 检测，并非所有方法与分类器类型都同等受益。我们以对不同协作 ML 方法所涉及的隐私威胁的深入讨论收尾本综合研究。
引用
@article{arxiv.2109.11830,
title = {The More, the Better? A Study on Collaborative Machine Learning for DGA Detection},
author = {Arthur Drichel and Benedikt Holmes and Justus von Brandt and Ulrike Meyer},
journal= {arXiv preprint arXiv:2109.11830},
year = {2021}
}
备注
Accepted at The 3rd Workshop on Cyber-Security Arms Race (CYSARM '21)