基于改进Transformer和强化学习的僵尸网络DGA域名检测

作者：马永忠; 夏保丽

来源：广西科学, 2023, 30(01): 139-148.

DOI：10.13656/j.cnki.gxkx.20230308.016

• 僵尸网络DGA域名检测
• 深度可分离卷积
• 多尺度特征
• Transformer
• 强化学习

针对现有僵尸网络检测方法检测精度不高和检测时间开销较大的问题，提出一种基于改进Transformer和强化学习的僵尸网络域名生成算法(Domain Generation Algorithm, DGA)的域名检测方法。首先，利用深度可分离卷积替换ResNet和ResNeXt网络中的卷积块，通过减少网络模型参数来降低模型的时间开销；其次，利用改进后的ResNet和ResNeXt网络将域名字符串映射到深度特征空间，构造多尺度特征，强化特征的表达能力；再次，利用长短期记忆神经网络(Long Short-Term Memory, LSTM)对Transformer网络进行改进，在保持字符间相对位置的同时，进一步建立上下文的长距离依赖编码，并在此基础上引入注意力机制，强化模型对关键特征的捕获能力；最后，引入强化学习对模型进行微调，提高DGA域名的检测精度。在多个DGA域名数据集上进行测试验证，结果表明该模型在保持检测时间开销较小的基础上，具有更高的检测精度。

• 出版日期2023
• 单位银川能源学院