面向鲁棒的域名生成算法分类
密码学与安全
2024-04-10 v1 机器学习
摘要
本文对域名生成算法（DGA）分类器的鲁棒性进行了全面研究。我们实现了32种白盒攻击，其中19种非常有效，在未加固的分类器上诱导出约100%的假阴性率（FNR）。为防御分类器，我们评估了不同的加固方法，并提出了一种新颖的训练方案，利用对抗性潜在空间向量和离散化对抗域显著提升鲁棒性。在我们的研究中，我们指出了加固分类器时应避免的一个陷阱，并揭示了攻击者可轻易利用以绕过检测的训练偏差，而这些偏差可通过对抗训练（AT）缓解。在我们的研究中，未观察到鲁棒性与性能之间的权衡，相反，加固提高了分类器对已知和未知DGA的检测性能。我们将本文讨论的所有攻击和防御实现为一个独立库，并公开提供以促进DGA分类器的加固：https://gitlab.com/rwth-itsec/robust-dga-detection
关键词
引用
@article{arxiv.2404.06236,
title = {Towards Robust Domain Generation Algorithm Classification},
author = {Arthur Drichel and Marc Meyer and Ulrike Meyer},
journal= {arXiv preprint arXiv:2404.06236},
year = {2024}
}
备注
Accepted at ACM Asia Conference on Computer and Communications Security (ASIA CCS 2024)