一种智能特征工程驱动的混合框架用于对抗性域名系统隧道检测

域名系统（DNS）隧道是互联网安全的一个关键问题，因为它滥用了原本为主机名解析设计的主要DNS功能。传统的流量分析方法无法提供有效的手段来检测或预防此类复杂攻击，尤其是当攻击者采用伪装策略模糊恶意流量的来源时。在本研究中，我们提出了一种新颖的框架，通过使用混合长短期记忆-深度神经网络（LSTM-DNN）架构来增强DNS流量监控的可靠性，从而实现对抗性DNS隧道的稳健检测。所提框架利用DNS流量模式的特征提取，包括域请求序列、查询类型和时间特征，以识别微妙的妥协指标。通过分析正常和恶意DNS流量的差异，以及对抗性修改的DNS请求，该模型提供了精确的分类。实验结果证实，开发的LSTM-DNN模型与梯度提升（GB）集成，能够准确识别DNS隧道攻击，实现了二类别和多类别分类的整体准确率分别为92%和84.95%。为应对不断演变的攻击行为，我们通过定期的模型微调采用持续学习方法，这提高了对新观察到的DNS流量模式的适应性，并带来了持续的性能提升.