机器学习DGA域名检测-先知社区

恶意域名

恶意域名是指黑客在攻击过程中或者对目标网络实施控制时，使用dga算法生成的域名，这种域名通常硬编码在恶意软件中。我们在做流量分析时不仅要通过流量的指纹特征识别威胁，也可以通过检测是否解析了恶意域名来判断网络中是否存在肉鸡。

1、最直接的就是逆向恶意程序，这种办法要求高，并且只能查到已知样本的恶意dga域名。

2 、网络流量分析，抓出异常的dns请求，分析确认

3 、碰撞dga库，白帽子收集和用dga算法生成的域名库。

白样本：采用Alexa top1m

初步分析：dga域名属于文本特征，我们先用最常用文本特征处理手段 N-gram+tf-idf 、NLP提取词向量特征+机器学习分类器，我们将黑白样本合并、打乱顺序，用N-gram+tf-idf方式进行初测试。(没得GPU，使用词向量提取时间过长，放弃...)

2-gram+tf-idf+XGBoost

样本稍微有点不均衡，而且维度很大训练吃力，不过测试效果不错。

黑白样本不均衡，保留类别数目大于3000的家族样本,并使用随机下采样方式使黑白样本均衡。

仅做测试数据足够，而且高维文本特征表示，近乎两两正交，使用SMOTE类似方法过采样效果甚微。

最终数据分布如下：

DGA算法作为随机域名生成算法，它生成的域名与正常域名相比随机性更强。可以从如下几个方面考虑特征：

1、数字/字母占比

2、元音字母/辅音字母占比(合法域名一般由正常字母组成包含元音字母多，可读行强)

3、字母重复出现次数占比

4、域名长度

5、香农熵(可以判断域名随机性)

特征数据分布图可以大概看出特征区分度：

特征相关性分布混淆矩阵：

特征关联性分布散点图：

使用SelectKBest对特征评分：

通过以上分析得出DGA域名中字母出现占比与字母重复出现次数占比相关性比较大，根据特征评分删除字母占比特征。

使用上述6个特征经XGBoost分类器训练结果如下:

合并TF-IDF特征经XGBoost分类器训练结果如下：

使用stacking模型融合尝试进一步提升模型效果：

KFOLD,n_splits=5

经测试在本数据集上stacking 在低维数据集表现不佳,使用stacking方法训练上述自己提取的六个特征,stacking模型准确率、roc值均与第一层最优分类器相近(仅适用本数据集)。但处理高维tf-idf特征相较第一层分类器有较大提升，特征融合后使用少量样本集做测试也均有较大提升。