基于LSTM深度学习的僵尸网络检测模型

• 作者: 尹传龙 张鹤童 祝跃飞
• 来源期刊: 信息工程大学学报
• 学科: 工学
• 关键词: 循环神经网络 僵尸网络检测 深度学习 LSTM 人工神经网络
• 年，卷（期）: 2018,（6）
• 所属期刊栏目: 计算机技术及应用
• 页码范围: 712-718
• 页数: 7页
• 分类号: TN915.08
• 字数: 6386字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-0673.2018.06.014

摘要

僵尸网络作为最具威胁的攻击平台之一,往往被用来发动大规模的网络攻击破坏活动.如何识别检测出僵尸网络,特别是未知的、潜伏期内的僵尸网络,是安全领域研究难点和热点.提出一种基于LSTM深度学习的僵尸网络检测模型,探究LSTM网络在僵尸网络检测领域的建模方法,研究该模型在基于网络流特征的僵尸网络检测性能,并与基于人工神经网络的检测方法进行比较.实验结果表明,文章提出的模型适用于高维空间信息模型的建立,提高了僵尸网络检测性能,提供了一种僵尸网络检测方法.该方法不关心网络流量内部载荷信息,不涉及网络流量隐私问题,且对采用私有加密协议的僵尸网络和未知的僵尸网络具有一定的检测能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	祝跃飞		80	379	10.0	14.0
2	尹传龙		2	0	0.0	0.0
3	张鹤童		2	0	0.0	0.0