基于多模态特征融合的Fast-Flux恶意域名检测方法

Fast-Flux恶意域名是僵尸网络通信中的一种重要载体，通过快速变换域名解析的IP抵御检测。目前，恶意域名检测系统大多基于传统机器学习模型，需要对数据进行复杂处理和特征提取，并且需要借助大量第三方数据源，导致检测的实时性较差。域名解析是一个复杂的过程，并且具有丰富的特征，文章设计了基于多模态特征融合的Fast-Flux恶意域名检测方法。首先利用GCN模块提取空间特征，采用Bi LSTM模块提取域名文本特征，然后利用MLP模块提取侧信息特征，最后利用神经网络将这3种特征进行融合。在Fast-Flux-Attack-Datasets公开数据集上进行实验，实验结果表明，该方法的精确率达99.94%、召回率达99.76%、准确率达99.69%，总体效果优于当前同类方法。文章所提方法有效融合了域名解析的多模态特征，明显提升了检测效果，对于提高僵尸网络检测能力具有重要意义。