MMDec, 2020

基于数据分析与机器学习的 DNS 错误拼写域名检测方法

PDF
TL;DR本文旨在解决 DNS 中的 Typosquatting 攻击问题，通过数据分析和机器学习等方法提出了一个基于多数投票的集成学习分类器，可以提高对可疑域名的检测准确性。具体而言，该分类器利用了域名长度和唯一字符的数量等特征，较少地标记了合法域名为可疑域名，有效地提升了检测效率。
发现论文，激发创造
  • 在线市场搜索中的领域特异性和数据效率对容错拼写检查器的影响

    通过数据增强和递归神经网络，我们提出了一种解决在线市场拼写错误的方法，以找到用户查询和可用产品名称之间的最佳匹配。这种数据高效的解决方案证明了受控高质量合成数据在当前依赖于庞大且常常无法控制的数据集的大型语言模型的背景下可能成为强大的工具。

    Aug, 2023

  • 使用机器学习扩充规则驱动的 DNS 审查检测能力

    本研究使用机器学习模型，针对特定网站进行探测，以极大地提高检测域名系统屏蔽的效率。同时，使用有监督和无监督模型，以便从不同的监测平台中学习检测启发式，发现新的屏蔽实例和阻断标志，并证明这些方法能够揭示大量被现有启发式方法忽略的新 DNS 屏蔽签名。

    Feb, 2023

  • 弱监督域名检测

    本文提出了域检测作为一项新的自然语言处理任务，介绍了编码器 - 检测器框架结合多实例学习的域检测模型，并应用于不同粒度、语言和体裁的文本中，展示了域检测在文本摘要中的潜力。

    Jul, 2019

  • 结合深度学习模型检测基于云的网络钓鱼攻击

    本文研究使用深度学习模型来检测利用 Google Sites 和 Typeform 等云服务进行的网络钓鱼攻击的有效性，包括 URL、商标和视觉相似性分析，证实了结合多种模型的结果可以提高检测云钓鱼攻击的有效性。

    Apr, 2022

  • SecureReg: 一个综合框架，用于主动暴露恶意域名注册

    通过比较新注册的域名与已注册的域名的相似性分数，本研究引入了一种先进的方法来在注册过程开始时识别可疑域名。结合自然语言处理和多层感知器模型，该系统分析语义和数值属性，提供了早期威胁检测的强大解决方案，从而显著减少了漏洞窗口，加强了对潜在威胁的防御。研究结果证明了综合方法的有效性，并为通过早期识别可疑域名注册来减轻非法在线活动风险的持续努力做出了贡献。

    Jan, 2024

  • 一个完善的框架用于准确检测钓鱼网站

    通过特征选择、贪婪算法、交叉验证和深度学习方法构建了一个复杂的堆叠集成分类器，实现了对钓鱼网站的准确检测，取得了高准确率并具备泛化能力。

    Mar, 2024

  • 学习网络入侵检测：一种数据驱动的方法

    本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

    Aug, 2021

  • 应用感知哈希进行 Tor 域名识别

    本研究通过引入一种新型的感知哈希方法 —— 频率主导邻域结构（F-DNS），来帮助自动分类暗网 Tor 服务的域名，并在评估中证明了其在恢复、旋转等多种情况下的优越性，实现了 98.75% 以上的查准率。

    May, 2020

  • 预测网络监控 -- 利用机器学习和数据分析进行网络攻击的推测研究

    利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。

    Dec, 2023

  • 恶意广告 URL 检测框架的对抗性攻击分析

    本文讨论了利用机器学习方法检测恶意广告链接的问题，提出了一种使用多种特征并结合不同机器学习算法的检测系统，并实现了一种基于 K-means 算法的数据聚类方法以及对决策树模型的攻击形式。

    Apr, 2022