Ein auf LSTM basierendes Framework zur Behandlung von Multiklassen-Ungleichgewicht bei der Erkennung von DGA-Botnets.

Dieses Repository enthält sehr einfachen Code zur Klassifizierung von Domänen als DGA oder gutartig. Dieser Code demonstriert unsere Ergebnisse in unserem Paper hier: https://www.sciencedirect.com/science/article/pii/S0925231217317320. Dieses Paper stellt einen neuartigen LSTM.MI-Algorithmus vor, der sowohl binäre als auch Multiklassen-Klassifikationsmodelle kombiniert, wobei das ursprüngliche LSTM kostenbewusst angepasst wird. Die Kostenfaktoren werden in den Backpropagation-Lernprozess eingeführt, um die Identifikationswichtigkeit zwischen den Klassen zu berücksichtigen.

Wenn Sie den Anweisungen folgen, können Sie unsere Methode neu implementieren. Darüber hinaus stellen wir auch einige Datensätze bereit:

• Die real gesammelten Datensätze einiger DGA-Botnets wie Shifu, Tinba, Necurs, Locky usw.
• trainingdata.csv: Dieser Datensatz enthält 1 Million normale Domänen von Alexa, über 600.000 DGA-Domänen und 8 statistische Merkmale, die diesen Domänen entsprechen. Die DGA-Domänen werden unter http://osint.bambenekconsulting.com/feeds/ gesammelt.
• traindga4.csv: 10% des trainingdata-Datensatzes. Allerdings sind die 8 statistischen Merkmale nicht auf Werte zwischen 0 und 1 normalisiert.
• traindga5.csv: 10% des trainingdata-Datensatzes. Allerdings sind die 8 statistischen Merkmale auf Werte zwischen 0 und 1 normalisiert.

Wenn Sie unseren Datensatz wiederverwenden, zitieren Sie bitte unser Paper wie folgt.

Tran, Duc, et al. "A LSTM based framework for handling multiclass imbalance in DGA botnet detection." Neurocomputing 275 (2018): 2401-2413.

oder

@article{tran2018lstm, title={A LSTM based framework for handling multiclass imbalance in DGA botnet detection}, author={Tran, Duc and Mac, Hieu and Tong, Van and Tran, Hai Anh and Nguyen, Linh Giang}, journal={Neurocomputing}, volume={275}, pages={2401--2413}, year={2018}, publisher={Elsevier} }

Implementierung des Codes

'lstm.py' trainiert den Klassifikator und erstellt den Bericht zur Bewertung der Methode. Dieser Code läuft auf Ihrem lokalen Rechner oder auf einem Rechner mit GPU (GPU wird natürlich viel schneller sein).

Backup-Link

Falls es Probleme mit dem Download auf Github gibt, nutzen Sie bitte den Backup-Link auf Google Drive: https://drive.google.com/drive/folders/1EI67tTK2NnwW9MZa3Qr2anPbJ_Dlix91?fbclid=IwAR0A_Ltrkrn9Zt4VvF0IFhE_v3GWz-YDqaq-SsHaU2mHNG5861KXylvZlBY