الكشف عن أسماء النطاقات الخبيثة باستخدام مناهج التعلم العميق على نطاق واسع

تتطور التهديدات المتعلقة بأمن الحاسوب باستمرار وتهاجم الشبكات والإنترنت طوال الوقت. ويمكن للتهديدات الأمنية الجديدة والأساليب المعقدة التي يستخدمها المخترقون تجاوز آليات الكشف والوقاية. هناك حاجة إلى نهج جديد يمكنه التعامل مع كميات هائلة من السجلات وتحليلها من مصادر متنوعة مثل حزم الشبكة، وسجلات نظام أسماء النطاقات (DNS)، وسجلات الخادم الوكيل، وسجلات النظام/الخدمة، وما إلى ذلك. يمكن عادةً تسمية هذا النهج بالبيانات الضخمة. يمكن لهذا النهج حماية وتقديم حلول لمختلف القضايا الأمنية مثل كشف الاحتيال والأنشطة الخبيثة وغيرها من التهديدات المتقدمة المستمرة. يُعد Apache spark منصة حوسبة عنقودية موزعة تعتمد على البيانات الضخمة ويمكنها تخزين البيانات الأمنية ومعالجتها لتوفير حماية في الوقت الفعلي. في هذه الورقة، نقوم بجمع سجلات DNS فقط من أجهزة العملاء في الشبكة المحلية (LAN) وتخزينها في خادم. لتحديد ما إذا كان اسم النطاق سليمًا أم خبيثًا، نقترح نهجًا قائمًا على التعلم العميق. وللمقارنة، قمنا بتقييم فعالية العديد من مناهج التعلم العميق مثل الشبكة العصبية المتكررة (RNN)، والذاكرة طويلة قصيرة المدى (LSTM)، ومصنفات التعلم الآلي التقليدية الأخرى. حققت المناهج القائمة على التعلم العميق أداءً جيدًا مقارنة بمصنفات التعلم الآلي التقليدية الأخرى. والسبب الرئيسي هو أن خوارزميات التعلم العميق لديها القدرة على استخلاص السمات المناسبة بشكل ضمني. وعلاوة على ذلك، حقق LSTM أعلى معدل كشف عن البرمجيات الخبيثة في جميع التجارب مقارنة بمناهج التعلم العميق الأخرى.