[发明专利]基于随机森林的DGA域名检测方法

摘要

本发明公开了一种基于随机森林的DGA域名检测方法，步骤一，构建知识库，包括构建黑白名单样本库和单词词典；步骤二，设定域名特征模板，将黑白名单中的域名作为训练集，过滤掉噪音，训练并离线保存随机森林算法模型；步骤三，获取待检测域名，加载最优随机森林算法模型，将待检测域名作为输入，得到预测结果。本发明不依赖在线获取DNS数据，不仅可以单独、快速完成DGA域名检测，也可以为其他恶意域名检测方法提供预测；此外，该方法基于随机森林算法，在噪音干扰上具有明显的优势，使用资源少，运行效率高，泛化性能好。

主权项

1.基于随机森林的DGA域名检测方法，其特征在于：包括以下步骤，步骤一，构建知识库，包括构建黑白名单样本库和单词词典；步骤二，设定域名特征模板，将黑白名单中的域名作为训练集，过滤掉噪音，训练并离线保存随机森林算法模型；所述域名特征模板可根据训练反馈进行修改；步骤三，获取待检测域名，加载最优随机森林算法模型，将待检测域名作为输入，得到预测结果；黑名单为通过开源渠道获取的恶意域名，白名单为通过开源渠道获取的合法域名，单词词典由英文单词和字母组合构成；所述特征模板中的特征包括域名长度、域名信息熵、域名语音性、域名中元音字符数、域名中数字字符数、域名中重复字母数、域名中连续数字字符数、域名中非元音连续字符数、域名中N元语言模型在白名单中得分以及域名中N元语言模型在单词词典中得分；计算域名信息熵的公式为，其中，H为域名信息熵，Pi为每个字母P在域名中出现的频率，n表示域名中不重复的字符数；所述域名语音性通过马尔卡夫链预测，具体过程为，A1)读取训练集合，得到转移矩阵；A2)读取正例样本和反例样本，将样本作为马尔卡夫链模型输入，得到预测的概率值，根据正例样本的概率值和反例样本的概率值确定语音性阈值；所述正例样本为具有可读性/语言性的合法域名；所述反例样本为不可读/不具有语言性的域名；A3)将域名作为输入，根据语音性阈值判断该域名是否具有语音性；所述域名中元音字符数主要统计域名中包含的元音字母“a”、“e”、“i”、“o”、“u”的字符数；所述域名中数字字符数主要统计域名中包含的“0”、“1”、“2”、“3”、“4”、“5”、“6”、“7”、“8”、“9”的字符数；域名中N元语言模型在白名单中得分计算过程，B1)训练白名单中N元语言模型；统计白名单中所有N元对及其频率，将统计结果以矩阵形式保存；其中，矩阵的行是白名单域名索引，矩阵的列是所有白名单包含的N元对索引；B2)计算待检测域名在N元语言模型中的得分；将域名中出现的N元对与训练得到的矩阵中的N元对频率进行相乘后累加，具体公式为，其中，S为域名中N元语言模型在白名单中得分，M为存储的矩阵，k为行索引总数，n′为列索引总数，Dj表示域名在矩阵M中第j个N元对出现的频率；域名中N元语言模型在单词词典中得分计算过程与域名中N元语言模型在白名单中得分计算过程相同，仅是将白名单替换成单词词典。