Фреймворк на основе LSTM для обработки дисбаланса многоклассовых данных при обнаружении DGA-ботнетов.

Этот репозиторий содержит очень простой код для классификации доменов как DGA или легитимных. Этот код демонстрирует наши результаты в нашей статье здесь: https://www.sciencedirect.com/science/article/pii/S0925231217317320. В этой статье представлен новый алгоритм LSTM.MI, объединяющий бинарные и многоклассовые модели классификации, где исходный LSTM адаптирован с учётом стоимости ошибок. Элементы стоимости вводятся в процедуру обучения с обратным распространением, чтобы учитывать важность идентификации между классами.

Следуя инструкциям, вы сможете воспроизвести наш метод. Кроме того, мы также предоставляем некоторые наборы данных:

• Реальные наборы данных некоторых DGA-ботнетов, включая Shifu, Tinba, Necurs, Locky и др.
• trainingdata.csv: Этот набор данных содержит 1 миллион обычных доменов Alexa, более 600 000 DGA-доменов и 8 статистических признаков, соответствующих этим доменам. DGA-домены собраны по адресу http://osint.bambenekconsulting.com/feeds/.
• traindga4.csv: 10% набора данных trainingdata. Однако 8 статистических признаков не нормализованы до значений в диапазоне от 0 до 1.
• traindga5.csv: 10% набора данных trainingdata. Однако 8 статистических признаков нормализованы до значений в диапазоне от 0 до 1.

Если вы используете наш набор данных, пожалуйста, цитируйте нашу статью следующим образом.

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

или

@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} }

Реализация кода

'lstm.py' обучит классификатор и сформирует отчёт для оценки метода. Этот код будет работать на вашем локальном компьютере или на машине с GPU (на GPU, конечно, будет намного быстрее).

Резервная ссылка

Если возникнут какие-либо проблемы с загрузкой на Github, воспользуйтесь резервной ссылкой на Google Диске: https://drive.google.com/drive/folders/1EI67tTK2NnwW9MZa3Qr2anPbJ_Dlix91?fbclid=IwAR0A_Ltrkrn9Zt4VvF0IFhE_v3GWz-YDqaq-SsHaU2mHNG5861KXylvZlBY