基于大数据分析的恶意域名检测技术研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 相关技术研究 | 第15-23页 |
| 2.1 恶意域名检测技术分析 | 第15-17页 |
| 2.1.1 恶意域名检测面临的困难 | 第15-16页 |
| 2.1.2 恶意域名检测的技术方案 | 第16-17页 |
| 2.2 机器学习分类模型研究 | 第17-19页 |
| 2.2.1 随机森林模型 | 第18页 |
| 2.2.2 梯度提升决策树模型 | 第18-19页 |
| 2.3 大数据技术研究 | 第19-23页 |
| 2.3.1 Hadoop体系架构 | 第19-20页 |
| 2.3.2 Spark体系架构 | 第20-22页 |
| 2.3.3 Kafka体系架构 | 第22-23页 |
| 第三章 恶意域名检测模型的构建 | 第23-42页 |
| 3.1 数据准备 | 第23-26页 |
| 3.1.1 数据内容 | 第23-25页 |
| 3.1.2 数据标注 | 第25-26页 |
| 3.2 特征提取 | 第26-32页 |
| 3.2.1 基于时间的特征 | 第27-29页 |
| 3.2.2 基于DNS响应报文的特征 | 第29-30页 |
| 3.2.3 基于TTL的特征 | 第30-31页 |
| 3.2.4 基于域名的特征 | 第31-32页 |
| 3.3 特征选择 | 第32-37页 |
| 3.3.1 基于Sigmoid的特征选择算法 | 第32-34页 |
| 3.3.2 基于信息增益比的特征排序算法 | 第34-35页 |
| 3.3.3 特征选择过程 | 第35-37页 |
| 3.4 模型训练 | 第37-42页 |
| 3.4.1 初始训练数据处理 | 第37页 |
| 3.4.2 模型选择方法与评价指标 | 第37-39页 |
| 3.4.3 模型效果对比评估 | 第39-41页 |
| 3.4.4 模型泛化能力检验 | 第41-42页 |
| 第四章 恶意域名检测系统的设计 | 第42-56页 |
| 4.1 需求分析 | 第42-43页 |
| 4.1.1 功能需求 | 第42页 |
| 4.1.2 技术挑战 | 第42-43页 |
| 4.2 系统架构设计 | 第43-47页 |
| 4.2.1 功能架构 | 第43-44页 |
| 4.2.2 技术架构 | 第44-46页 |
| 4.2.3 数据架构 | 第46-47页 |
| 4.3 系统各模块设计 | 第47-54页 |
| 4.3.1 DNS数据获取模块 | 第47-50页 |
| 4.3.2 数据处理模块 | 第50-52页 |
| 4.3.3 模型检测模块 | 第52-53页 |
| 4.3.4 结果展示模块 | 第53-54页 |
| 4.4 数据库设计 | 第54-56页 |
| 第五章 恶意域名检测系统的实现和测试 | 第56-73页 |
| 5.1 系统运行环境配置 | 第56-58页 |
| 5.1.1 软硬件配置 | 第56-57页 |
| 5.1.2 系统接入位置配置 | 第57-58页 |
| 5.2 系统各模块实现 | 第58-68页 |
| 5.2.1 DNS数据获取模块 | 第58-62页 |
| 5.2.2 数据处理模块 | 第62-65页 |
| 5.2.3 模型检测模块 | 第65页 |
| 5.2.4 结果展示模块 | 第65-68页 |
| 5.3 系统测试 | 第68-73页 |
| 5.3.1 功能测试 | 第68-70页 |
| 5.3.2 性能测试 | 第70-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 研究工作总结 | 第73-74页 |
| 6.2 不足和展望 | 第74-75页 |
| 参考文献 | 第75-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间发表的学术论文 | 第78页 |
