LSTM-MI

一个基于LSTM的框架，用于处理DGA僵尸网络检测中的多类不平衡。 该代码库包含用于将域名分类为DGA或良性域名的非常简单的代码。此代码展示了我们在论文中的结果：https://www.sciencedirect.com/science/article/pii/S0925231217317320。该论文提出了一种新颖的LSTM.MI算法，将二分类和多分类模型结合起来，其中原始LSTM被调整为成本敏感型。在反向传播学习过程中引入成本项，以考虑类别之间的识别重要性。 按照说明操作，您可以重新实现我们的方法。此外，我们还提供了一些数据集：...

dga_predict

使用LSTM预测域名生成算法 这个代码库包含非常简单的代码，用于将域名分类为DGA或良性。该代码展示了我们在arxiv论文（https://arxiv.org/abs/1611.00791）中的结果。一个区别是数据集。论文和这个代码库都使用Alexa前100万作为良性域名，但这个代码库为简单起见生成了自己的域名。 我们还仅实现了论文中的LSTM和bigram分类器。这两个是最好的分类器，并且在Keras中实现简单。 运行代码 python run.py...

dga-collection

DGA 集合 一个已知 域名生成算法 的集合： Torpig ZeusBot Cryptolocker Necurs Symmi Ranbyus 用法 对于每种 DGA，都可以轻松生成域名列表： root@kitploit: from datetime import date from Necurs import Necurs Compute domains for the current day/period: Necurs.domains Compute domains for a given date: Necurs.domainsFordate2015, 1, 20...

degas

Degas 使用深度学习模型检测 DGA 生成的域名 运行 我目前使用 Conda（Anaconda/Miniconda）进行开发，但使用附带的 requirements.txt 时，你也可以使用 Pipenv 或 virtualenv。 conda: root@kitploit: conda env create -f environment.yml conda activate degas Pipenv: root@kitploit: pipenv install -r requirements.txt pipenv shell Virtualenv 类似，但确实再没有理由用...