Merkmalsauswahl zur Erkennung von Botnetzen mit Hilfe von Machine-Learning-Algorithmen

In diesem Papier wird ein neuartiges Verfahren zur Merkmalsauswahl zur Erkennung von Botnetzen in ihrer Phase des Command and Control (C&C) vorgestellt. Ein großes Problem besteht darin, dass Forscher Merkmale basierend auf ihrer Expertise vorgeschlagen haben, aber es gibt keine Methode, um diese Merkmale zu bewerten, da einige dieser Merkmale eine niedrigere Erkennungsrate als andere haben könnten. Zu diesem Zweck finden wir den Merkmalsatz, basierend auf den Verbindungen von Botnetzen in ihrer C&C-Phase, der die Erkennungsrate dieser Botnetze maximiert. Ein genetischer Algorithmus (GA) wurde verwendet, um den Merkmalsatz auszuwählen, der die höchste Erkennungsrate bietet. Wir haben den Machine-Learning-Algorithmus C4.5 verwendet, dieser Algorithmus klassifizierte die Verbindungen, die zu einem Botnetz gehören oder nicht. Die in diesem Papier verwendeten Datensätze wurden aus den Repositories ISOT und ISCX extrahiert. Es wurden einige Tests durchgeführt, um die besten Parameter in einem GA und dem Algorithmus C4.5 zu ermitteln. Wir führten auch Experimente durch, um den besten Merkmalsatz für jedes analysierte Botnetz (spezifisch) und für jede Art von Botnetz (allgemein) zu erhalten. Die Ergebnisse sind am Ende des Papiers dargestellt, in denen eine erhebliche Reduzierung der Merkmale und eine höhere Erkennungsrate als die präsentierte verwandte Arbeit erzielt wurden.