文献类型：期刊文章

作　　者：吴迪[1,2] 方滨兴[3,4,5] 崔翔[1,3] 刘奇旭[1,2]

WU Di;FANG Binxing;CUI Xiang;LIU Qixu(Institute of Information Engineering,Chinese Academy of Sciences,Beijing 100093,China;School of Cyber Security,University of Chinese Academy of Sciences,Beijing 100049,China;Cyberspace Institute of Advanced Technology,Guangzhou University,Guangzhou 510006,China;Institute of Electronic and Information Engineering of UESTC in Guangdong,Dongguan 523808,China;School of Cyberspace Security,Beijing University of Posts and Telecommunications,Beijing 100876,China)

机构地区：[1]中国科学院信息工程研究所,北京100093 [2]中国科学院大学网络空间安全学院,北京100049 [3]广州大学网络空间先进技术研究院,广东广州510006 [4]电子科技大学广东电子信息工程研究院,广东东莞523808 [5]北京邮电大学网络空间安全学院,北京100876

出　　处：《通信学报》

基　　金：国家重点研发计划基金资助项目(No.2016YFB0801604);东莞市引进创新科研团队计划基金资助项目(No.201636000100038);中国科学院网络测评技术重点实验室和网络安全防护技术北京市重点实验室基金资助项目~~

年　　份：2018

卷　　号：39

期　　号：8

起止页码：18-28

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：机器学习技术在僵尸网络检测领域具有广泛应用,但随着僵尸网络形态和命令控制机制逐渐变化,人工特征选取变得越来越困难。为此,提出基于深度学习的僵尸网络检测系统——BotCatcher,从时间和空间这2个维度自动化提取网络流量特征,通过结合多种深层神经网络结构建立分类器。BotCatcher不依赖于任何有关协议和拓扑的先验知识,不需要人工选取特征。实验结果表明,该模型性能良好,能够对僵尸网络流量进行准确识别。

关 键 词：僵尸网络 深度学习  检测  特征  

分 类 号：TP309.5]