論文の概要: Detecting Algorithmically Generated Domains Using a GCNN-LSTM Hybrid
Neural Network
- arxiv url: http://arxiv.org/abs/2208.03445v1
- Date: Sat, 6 Aug 2022 05:15:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:20:42.453533
- Title: Detecting Algorithmically Generated Domains Using a GCNN-LSTM Hybrid
Neural Network
- Title(参考訳): GCNN-LSTMハイブリッドニューラルネットワークによるアルゴリズム生成領域の検出
- Authors: Zheng Wang
- Abstract要約: ドメイン生成アルゴリズム(DGA)は、ボットネットによって秘密のコマンドと制御(C&C)通信チャネルを構築するために使用される。
AGD検出アルゴリズムは、既存のDGA技術に対応する軽量で有望なソリューションを提供する。
本稿では,AGD検出のためのGCNN-LSTM (long short-term memory) Hybrid Neural Network (GLHNN)を提案する。
- 参考スコア(独自算出の注目度): 10.617124610646488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generation algorithm (DGA) is used by botnets to build a stealthy
command and control (C&C) communication channel between the C&C server and the
bots. A DGA can periodically produce a large number of pseudo-random
algorithmically generated domains (AGDs). AGD detection algorithms provide a
lightweight, promising solution in response to the existing DGA techniques. In
this paper, a GCNN (gated convolutional neural network)-LSTM (long short-term
memory) Hybrid Neural Network (GLHNN) for AGD detection is proposed. In GLHNN,
GCNN is applied to extract the informative features from domain names on top of
LSTM which further processes the feature sequence. GLHNN is experimentally
validated using representative AGDs covering six classes of DGAs. GLHNN is
compared with the state-of-the-art detection models and demonstrates the best
overall detection performance among these tested models.
- Abstract(参考訳): ドメイン生成アルゴリズム(DGA)は、ボットネットによってC&Cサーバとボットの間のステルスなコマンドと制御(C&C)通信チャネルを構築するために使用される。
DGAは、多数の擬似ランダムアルゴリズム生成ドメイン(AGD)を周期的に生成することができる。
AGD検出アルゴリズムは、既存のDGA技術に対応する軽量で有望なソリューションを提供する。
本稿では,agd検出のためのgcnn(gated convolutional neural network)-lstm(long short-term memory)ハイブリッドニューラルネットワーク(glhnn)を提案する。
GLHNNでは、LSTM上のドメイン名から情報的特徴を抽出するためにGCNNが適用される。
GLHNNは6種類のDGAをカバーするAGDを用いて実験的に検証されている。
glhnnは最先端検出モデルと比較され、テストされたモデルの中で最高の検出性能を示す。
関連論文リスト
- High-Pass Graph Convolutional Network for Enhanced Anomaly Detection: A Novel Approach [0.0]
本稿では,グラフ異常検出(GAD)のためのハイパスグラフ畳み込みネットワーク(HP-GCN)を提案する。
提案したHP-GCNは、異常が正常ノードネットワーク内の高周波信号を増加させる傾向があるため、異常を検出するために高周波成分を利用する。
このモデルはYelpChi、Amazon、T-Finance、T-Socialデータセットで評価され、検証される。
論文 参考訳(メタデータ) (2024-11-04T05:38:07Z) - Global Confidence Degree Based Graph Neural Network for Financial Fraud Detection [3.730504020733928]
本稿では,GCD(Global Confidence Degree)の概念と計算公式を示し,GCDベースのGNN(GCD-GNN)を設計する。
各ノードに対して正確なGCDを得るために,多層パーセプトロンを用いて特徴を変換し,新しい特徴とそれに対応するプロトタイプを用いて不要な情報を除去する。
2つの公開データセットの実験では、GCD-GNNが最先端のベースラインより優れていることが示されている。
論文 参考訳(メタデータ) (2024-07-24T14:55:37Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。
従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文 参考訳(メタデータ) (2022-05-22T08:01:47Z) - HSMD: An object motion detection algorithm using a Hybrid Spiking Neural
Network Architecture [0.2580765958706854]
運動感受性ガングリオン細胞(Object-motion-sensitive ganglion cells、OMS-GC)は、運動する物体を感知する網膜の特殊な細胞である。
OMS-GCは入力された連続信号として、光神経を介して視覚皮質に伝達されるスパイクパターンを出力として生成する。
この研究で提案されたHSMDアルゴリズムは、カスタマイズされた3層スパイキングニューラルネットワーク(SNN)を用いたGSOC動的バックグラウンドサブトラクション(DBS)アルゴリズムを強化する。
その結果,HSMDは競合するアプローチの中で第1位であった。
論文 参考訳(メタデータ) (2021-09-09T09:15:56Z) - Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。
ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。
既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文 参考訳(メタデータ) (2021-01-25T18:59:01Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳(メタデータ) (2020-10-05T04:57:18Z) - Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged
Fraudsters [78.53851936180348]
近年の実証研究,すなわち特徴カモフラージュと関係カモフラージュの2種類のカモフラージュを紹介した。
既存のGNNはこれらの2つのカモフラージュに対処していない。
カモフラージュ抵抗型GNN(CARE-GNN)と呼ばれる新しいモデルを提案し、カモフラージュに対する3つのユニークなモジュールを用いたGNN集約プロセスを強化する。
論文 参考訳(メタデータ) (2020-08-19T22:33:12Z) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳(メタデータ) (2020-06-11T08:19:06Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z) - Real-Time Detection of Dictionary DGA Network Traffic using Deep
Learning [5.915780927888678]
ボットネットとマルウェアは、ドメイン生成アルゴリズム(DGA)を使用して、ユニークな動的に生成されたWebアドレスへのコールアウトを検出することを避ける。
一般的なDGA検出技術は、ランダム辞書語を組み合わせたDGA変種を確実に検出できず、正規ドメインを忠実にミラーするドメイン名を生成する。
我々は、新しいハイブリッドニューラルネットワーク、Bilbo the bagging modelを作成し、ドメインを分析し、それらがそのようなアルゴリズムによって生成される可能性を評価する。
論文 参考訳(メタデータ) (2020-03-28T14:57:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。