Deep Convolutional Neural Networks for DGA Detection

Kód výsledku v IS VaVaI

RIV/68407700:21230/19:00331774 - isvavai.cz

Výsledek na webu

https://link.springer.com/content/pdf/10.1007%2F978-3-030-20787-8_23.pdf

DOI - Digital Object Identifier

10.1007/978-3-030-20787-8_23

Jazyk výsledku

angličtina

Název v původním jazyce

Deep Convolutional Neural Networks for DGA Detection

Popis výsledku v původním jazyce

A Domain Generation Algorithm (DGA) is an algorithm to generate domain names in a deterministic but seemly random way. Malware use DGAs to generate the next domain to access the Command & Control (C&C) communication server. Given the simplicity of the generation process and speed at which the domains are generated, a fast and accurate detection method is required. Convolutional neural network (CNN) are well known for performing real-time detection in fields like image and video recognition. Therefore, they seemed suitable for DGA detection. The present work provides an analysis and comparison of the detection performance of a CNN for DGA detection. A CNN with a minimal architecture complexity was evaluated on a dataset with 51 DGA malware families and normal domains. Despite its simple architecture, the resulting CNN model correctly detected more than 97% of total DGA domains with a false positive rate close to 0.7%. 2019, Springer Nature Switzerland AG.

Název v anglickém jazyce

Deep Convolutional Neural Networks for DGA Detection

Popis výsledku anglicky

A Domain Generation Algorithm (DGA) is an algorithm to generate domain names in a deterministic but seemly random way. Malware use DGAs to generate the next domain to access the Command & Control (C&C) communication server. Given the simplicity of the generation process and speed at which the domains are generated, a fast and accurate detection method is required. Convolutional neural network (CNN) are well known for performing real-time detection in fields like image and video recognition. Therefore, they seemed suitable for DGA detection. The present work provides an analysis and comparison of the detection performance of a CNN for DGA detection. A CNN with a minimal architecture complexity was evaluated on a dataset with 51 DGA malware families and normal domains. Despite its simple architecture, the resulting CNN model correctly detected more than 97% of total DGA domains with a false positive rate close to 0.7%. 2019, Springer Nature Switzerland AG.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

TH02010990: Ludus: Kolaborativní obrana proti internetovým útokům pomocí stojového učení a teorie her

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Computer Science - CACIS 2018

ISBN

978-3-030-20786-1

ISSN

1865-0929

e-ISSN

—

Počet stran výsledku

14

Strana od-do

327-340

Název nakladatele

Springer VDI Verlag

Místo vydání

Düsseldorf

Místo konání akce

Tandil

Datum konání akce

8. 10. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—