Skip to content
KitploitKITPLOIT
ИнструментыЭксплойтыБлог
Log in
Отправить
ИнструментыЭксплойтыБлог
Отправить

Инструменты для хакинга, пентеста и кибербезопасности — ваш арсенал защиты!

Kitploit — это каталог инструментов для хакинга, кибербезопасности и пентестинга. Находите последние обновления проектов для поиска уязвимостей, анализа систем, автоматизации тестирования и усиления вашей безопасности.

ЛентыКонтактыКонфиденциальность© 2026 Kitploit

Каталог инструментов

Категории

Все категории
Loading categories
degas — Обнаружение DGA-сгенерированных доменов с помощью моделей глубокого обучения | Kitploit
Инструменты/GitHubGitHub/matthoffman/degas
Разведка угрозМашинное ОбучениеСтатьи и ИсследованияОбучение и ОбразованиеАнализ DNSОбнаружение Аномалий
GitHubmatthoffman/degas

degas

Обнаружение DGA-сгенерированных доменов с помощью моделей глубокого обучения

Репозиторий
237367 лет назадПроверено Kitploit
Поделиться

Degas

Обнаружение DGA-генерированных доменов с использованием моделей глубокого обучения

Эдгар Дега, "Четыре танцовщицы"

Запуск

В настоящее время я использую Conda (Anaconda/Miniconda) для разработки, но вы также можете использовать Pipenv или virtualenv с прилагаемым файлом requirements.txt.

conda:

conda env create -f environment.yml
conda activate degas

Pipenv:

pipenv install -r requirements.txt
pipenv shell

Virtualenv аналогичен, но больше нет причин использовать virtualenv вместо Pipenv.

Переобучение модели

В директорию models добавлена обученная модель. Если вы хотите обучить свою собственную, сначала необходимо загрузить обучающие данные из S3:

python degas/runner download-data

Обработайте данные в простой CSV-формат, который ожидает построитель модели:

python degas/runner process-data data/raw data/processed

Эти шаги нужно выполнить только один раз, если вы не изменяете обучающие данные.

Чтобы затем переобучить модель на сгенерированном наборе данных, сначала установите tensorflow-gpu, используя ваш любимый менеджер пакетов (conda install tensorflow-gpu или pip install tensorflow-gpu), чтобы обучение ускорялось на GPU.

Затем выполните:

python degas/runner train-model data/processed

Выполните python degas/runner train-model --help, чтобы увидеть некоторые доступные параметры настройки. Это занимает около полутора часов на GTX 1070. Он выполняет около 9 эпох, после чего прерывается; вы потенциально можете запустить его, скажем, на 5 эпох и всё равно получить хорошую точность при вдвое меньшем времени обучения: python degas/runner train-model --epochs 5 data/processed

Получение прогнозов

Поскольку этот проект использует Tensorflow в качестве базовой библиотеки глубокого обучения, рекомендуемый способ использования для инференса — это Tensorflow Serving.

Вы сможете его запустить с помощью:

docker run -p 8501:8501 \
  --mount type=bind,source=models/degas,target=/models/degas\
  -e MODEL_NAME=degas -t tensorflow/serving

Смотрите документацию Tensorflow Serving для получения дополнительной информации о доступных параметрах.

О Degas

Почему глубокое обучение для этой задачи? Потому что оно хорошо работает и его несложно реализовать. Из Byu et al, 2018:

"Глубокие нейронные сети недавно появились в литературе по обнаружению DGA (Woodbridge et al., 2016; Saxe & Berlin, 2017; Yu et al., 2017). Они значительно превосходят традиционные методы машинного обучения по точности, ценой увеличения сложности обучения модели и необходимости больших наборов данных."

Поскольку доступно много данных для обучения, создание модели глубокого обучения так же просто или даже проще, чем альтернативы.

Ссылки

https://openreview.net/forum?id=BJLmN8xRW&noteId=BJLmN8xRW http://faculty.washington.edu/mdecock/papers/byu2018a.pdf

Почему "Degas"?

  • Потому что работать над проектом с именем веселее, чем над "DGA-детектором" или чем-то подобным.
  • Возможно, называть проект в честь художника-импрессиониста сделает его более впечатляющим?
  • Это был первый результат классического "алгоритма именования Samba" ( egrep -i '^d.*g.*a.* /usr/share/dict/words )

Для справки: я произношу его "de-gah", как Эдгар Дега, а не "de-gas", как "удалить весь газ".

Скачать инструмент

Популярное

Смотреть все →

Откройте для себя самые используемые инструменты нашего сообщества.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Полный набор инструментов OSINT: граф расследования, оценка достоверности, семейства псевдонимов, карта, временная шкала и отчёты. 49 модулей, более 400 сайтов, API-ключи не требуются.

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Приложение GhostLock с запуском в один клик (CVE-2026-43499)

    547
  • 3

    ARTEX

    baarai/artex

    Платформа автономного тестирования на проникновение на основе мультиагентной LLM с агентами-планировщиками и агентами-исполнителями, графами активов и исследования, записью MITM-трафика и повторной проверкой уязвимостей.

    369
  • 4

    redforge

    cybersecurity91/redforge

    Браузерный инструментарий для red team с 102 офлайн-инструментами для разведки, генерации полезной нагрузки, атак на учётные данные, криптографии, кодирования и отчётности по проектам.

    366
  • 5

    looking-glass

    anonghosty/looking-glass

    Платформа CSIRT, которая загружает отчёты Shadowserver в MongoDB и воспроизводит их в виде интерактивных карт, аналитики, результатов, рекомендаций и исполнительных дашбордов.

    309
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Система действий для кибербезопасности на базе ИИ — где намерение превращается в управляемое исполнение, доказательства становятся оперативной памятью, а каждая операция улучшает следующую.

    282

Изучить все инструменты

Просмотрите нашу коллекцию инструментов

Смотреть все инструменты →