基于可分离卷积的轻量级恶意域名检测模型

作     者：杨路辉 白惠文 刘光杰 戴跃伟 YANG Luhui;BAI Huiwen;LIU Guangjie;DAI Yuewei

作者机构：南京理工大学自动化学院江苏南京210094 南京信息工程大学电子与信息工程学院江苏南京210044 

基　　金：国家自然科学基金(U1836104) 

出 版 物：《网络与信息安全学报》 (Chinese Journal of Network and Information Security)

年 卷 期：2020年第6卷第6期

页      码：112-120页

摘      要：考虑到基于深度学习的恶意域名检测方法计算开销大,难以有效应用于真实网络场景域名检测实际,设计了一种基于可分离卷积的轻量级恶意域名检测算法。该模型使用可分离卷积结构,能够对卷积过程中的每一个输入通道进行深度卷积,然后对所有输出通道进行逐点卷积,在不减少卷积特征提取效果的情况下,有效减少卷积过程的参数量,实现更加快速的卷积过程并不降低模型的准确性。同时,为了减轻模型训练过程中正负样本数量不平衡与样本难易程度不平衡的情况对模型分类准确率的影响,引入了一种聚焦损失函数。所提算法在公开数据集上与3种典型的基于深度神经网络的检测模型进行对比,实验结果表明,算法能够达到与目前最优模型接近的检测准确率,同时能够显著提升在CPU上的模型推理速度。

主 题 词：可分离卷积 域名生成算法 深度学习 网络安全 

学科分类：0810[工学-土木类] 0839[0839] 08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.11959/j.issn.2096−109x.2020084

馆 藏 号：203993403...