DGA 봇넷 탐지에서 다중 클래스 불균형을 처리하기 위한 LSTM 기반 프레임워크

이 저장소는 도메인을 DGA 또는 정상으로 분류하는 매우 간단한 코드를 포함합니다. 이 코드는 논문(https://www.sciencedirect.com/science/article/pii/S0925231217317320)에서의 결과를 보여줍니다. 이 논문은 이진 분류와 다중 클래스 분류 모델을 결합하는 새로운 LSTM.MI 알고리즘을 제시하며, 원래 LSTM이 비용 민감형으로 변환됩니다. 비용 항목은 역전파 학습 과정에 도입되어 클래스 간 식별 중요도를 고려합니다.

지침에 따라 우리 방법을 재구현할 수 있습니다. 또한 몇 가지 데이터셋을 제공합니다:

• Shifu, Tinba, Necurs, Locky 등 일부 DGA 봇넷의 실제 수집 데이터셋
• trainingdata.csv: 이 데이터셋은 Alexa의 정상 도메인 100만 개, 60만 개 이상의 DGA 도메인 및 이 도메인에 해당하는 8개의 통계 특성을 포함합니다. DGA 도메인은 http://osint.bambenekconsulting.com/feeds/ 에서 수집되었습니다.
• traindga4.csv: trainingdata 데이터셋의 10%. 그러나 8개의 통계 특성은 0에서 1 사이의 값으로 정규화되지 않았습니다.
• traindga5.csv: trainingdata 데이터셋의 10%. 8개의 통계 특성이 0에서 1 사이의 값으로 정규화되었습니다.

데이터셋을 재사용하는 경우, 아래와 같이 논문을 인용해 주십시오.

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

또는

@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} }

코드 구현

'lstm.py'는 분류기를 학습시키고 방법을 평가하기 위한 보고서를 생성합니다. 이 코드는 로컬 머신 또는 GPU가 있는 머신에서 실행됩니다 (GPU가 물론 훨씬 빠릅니다).

백업 링크

Github에서 다운로드에 문제가 있을 경우, Google Driver의 백업 링크를 사용하십시오: https://drive.google.com/drive/folders/1EI67tTK2NnwW9MZa3Qr2anPbJ_Dlix91?fbclid=IwAR0A_Ltrkrn9Zt4VvF0IFhE_v3GWz-YDqaq-SsHaU2mHNG5861KXylvZlBY