使用 LSTM 网络预测域名生成算法

Nov, 2016

Predicting Domain Generation Algorithms with Long Short-Term Memory Networks

Jonathan Woodbridge, Hyrum S. Anderson, Anjum Ahuja, Daniel Grant

TL;DR本文提出了一种基于长短期记忆网络的 DGA 分类器，可预测 DGAs 及其相关家族而无需事先进行特征提取，相较于同类方法，检测率提高了 20 倍，误报率减少到 1/10000。

Abstract

Various families of malware use domain generation algorithms (DGAs) to generate a large number of pseudo-random domain names to connect to a command and control (C&C) server. In order to block DGA C&C traffic, se

malware domain generation algorithms long short-term memory networks binary classification false positive rate

发现论文，激发创造

领域对抗深度图像生成用于领域泛化

本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

Mar, 2020

走向鲁棒的域生成算法分类

该研究综合探讨了域生成算法（DGA）分类器的鲁棒性，提出了一种基于对抗潜在空间向量和离散化对抗域的新的训练方案，大幅度提高了鲁棒性，并发现了可利用的训练偏差和规避困境。研究结果显示，在鲁棒性和性能之间不存在任何权衡，相反，硬化可以提高分类器对已知和未知 DGA 的检测性能。

Apr, 2024

利用 LSTM 和 GAN 进行现代恶意软件检测

该研究使用深度学习模型、LSTM 网络和 GAN 来提高恶意软件检测的准确性和速度，通过 VirusShare 数据集的训练和评估，表明深度学习在主动网络安全防御中发挥着决定性的作用。此外，研究还探讨了集成学习和模型融合方法对减少偏差和提高模型复杂性的影响。

May, 2024

基于频域图像可视化和深度学习的恶意软件检测

该研究提出了一种基于图像分类的新方法来检测和可视化恶意软件，其使用 N-gram (DCT) 离散余弦变换和神经网络对可执行二进制文件进行表征和分类，利用自动生成的图像转换为视觉数据集用于训练和测试，最终获得了 96% 的分类精度。

Jan, 2021

学习生成用于域泛化的新领域

本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力，在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中，我们的 L2A-OT（学习通过最优传输增广）方法在四个基准数据集中表现优于当前最先进的 DG 方法。

Jul, 2020

基于元学习的交叉领域验证的判别式对抗领域泛化

本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

Nov, 2020

动态领域泛化

提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体，其中模型学习扭曲网络参数以适应来自不同域的数据，并使用元调整器来扭曲网络参数，以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学，以帮助元调整器适应未来的未知目标领域，无需经过训练即可实现模型的自适应调整，实验证明该方法的有效性。

May, 2022

针对僵尸网络的加密和隐蔽 DNS 查询：挑战和对策

该篇研究论文探讨了现代恶意软件使用的域名生成算法（DGAs）和流量分析等技术，以躲避传统安全机制监测及拦截，从而对网络安全提出挑战。

Sep, 2019

面向语义图像分割的领域自适应和泛化网络结构及训练策略

该研究提出两种新的神经网络框架（DAFormer 和 HRDA）来解决在未标记或不可见目标域上使用源域模型的问题，以提高无监督领域适应和领域泛化的性能，并在多个基准测试中取得了显著的改进。

Apr, 2023

具有类别感知对齐的强健领域无关泛化

该论文提出了 Domain-Free Domain Generalization (DFDG)，一种模型无关的方法，通过学习领域不变的类别判别特征来实现更好的领域泛化性能，具体方法包括使用类别条件软标签来对齐样本的类别关系，使用显著性图来消除训练输入中的表面观察，并在时间序列传感器和图像分类的公共数据集上获得了具有竞争性的性能。

Feb, 2021