Domainator: Detecting and Identifying DNS-Tunneling Malware Using Metadata Sequences
Worms University of Applied Sciences(沃尔姆斯应用科技大学);Ulm University(乌尔姆大学)
针对现有DNS隧道恶意软件检测的不足,提出Domainator方法,基于元数据序列模式分析,不依赖易篡改特征即可检测识别恶意软件、推断其行为,经7类样本验证有效并完成同类方法对比。
2025-05-28 cs.CR cs.NI
DNS Tunneling: Threat Landscape and Improved Detection Solutions
Cyber Security and Privacy Research Lab., SPFLab(网络安全与隐私研究实验室,SPFLab);Faculty of Computer and Informatics Engineering(计算机与信息工程学院);Istanbul Technical University(伊斯坦布尔技术大学)
针对传统方法难以准确检测隐藏在合法流量中的DNS隧道问题,提出一种结合机器学习算法并提取DNS流量特征进行分析的新方法,实验证明其能准确检测DNS隧道。
2025-07-14 cs.CR cs.LG cs.NI
Identifying DNS-tunneled traffic with predictive models
Stockholm University(斯德哥尔摩大学)
DNS是一个分布式的容错系统,可以避免单点故障。因此,它是我们今天使用的互联网的一个组成部分,因此被认为是一个安全的协议,可以通过防火墙和代理,没有或很少检查。这可能被恶意代理利用。网络取证是有效的,但由于数据的大小和手工劳动而挣扎。本文探讨了预测模型在多大程度上可以用来预测网络流量,什么协议是隧道的DNS协议,更具体地说,是否预测性能增强时,分析DNS查询和响应在一起,哪些功能集,可用于DNS隧道网络预测。测试的协议是SSH、SFTP和SSH,使用的机器学习模型是多层感知器和随机森林。为了训练模型,我们提取了DNS流量中查询和响应的IP包长度、名称长度和名称熵。通过实验研究策略,经验表明,当在查询和响应对上训练模型时,而不是仅使用查询或响应时,模型的性能会提高。模型的准确性>83%,提取特征时数据大小的减少约为95%。我们的研究结果提供的证据表明,机器学习是一个有价值的工具,在检测网络协议的DNS隧道,只需要一个小的网络流量的子集来检测这种异常。
2019-06-26 cs.CR cs.LG
Fine-tuning Large Language Models for DGA and DNS Exfiltration Detection
本研究首次实证微调大型语言模型用于检测域名生成算法(DGA)和DNS外泄攻击,在59个真实恶意软件家族数据集上显著优于传统NLP方法,尤其擅长识别未知DGA。
2024-11-07 cs.CR
Detecting Malicious Domains Using Statistical Internationalized Domain Name Features in Top Level Domains
域名系统(DNS)是将域名转换为IP地址的核心Internet服务。它是一个分布式数据库和协议,有许多已知的弱点,受到无数的攻击,包括欺骗攻击,僵尸网络和域名注册。尽管如此,安全和隐私之间的争论仍在继续,即DNS over TLS或HTTP,以及缺乏采用DNS安全扩展,使用户处于危险之中。因此,域名的安全性和恶意网站的特征正在成为优先事项。分析了恶意域名与正常域名的区别,并利用Python语言提取了各种恶意域名的识别特征。此外,本文还提供了支持国际化域名的两类功能,并使用五种工具扫描域名系统,对其进行评级。随机森林分类器的总体准确率为95.6%。
2022-11-15 cs.CR
Detecting Botnet Activities Based on Abnormal DNS traffic
僵尸网络由于其快速增长的机制和影响而被认为是互联网的一个关键问题。最近,僵尸网络已经像任何合法主机一样利用DNS和查询DNS服务器。在这种情况下,很难区分合法DNS流量和非法DNS流量。因此,构建一个合适的解决方案来检测DNS流量中的僵尸网络,从而保护网络免受恶意僵尸网络活动的影响是非常重要的。本文提出了一种简单的机制来监测DNS流量,并检测僵尸网络发出的异常DNS流量的基础上,僵尸网络出现的一组主机周期性的事实。该机制还能够对主机群(群体行为)和单个主机(个体行为)请求的DNS流量进行分类,从而检测出恶意僵尸网络发出的异常域名。实验结果表明,该机制具有较好的鲁棒性,能够对DNS流量进行分类,并能有效检测僵尸网络活动,平均检测率达到89%。
2009-11-03 cs.CR cs.NI
Detecting and Refactoring Operational Smells within the Domain Name System
域名系统(DNS)是互联网基础设施中最重要的组成部分之一。DNS依赖于基于委托的体系结构,其中将名称解析为它们的IP地址需要解析负责这些名称的服务器的名称。与每个区域相关联的名称服务器之间存在的相互依赖关系的递归结构称为依赖关系图。系统管理员的操作决策对域名系统的质量有着深远的影响。它们需要合理制定,以在系统的可用性、安全性和弹性之间建立平衡。我们利用依赖图来识别,检测和分类操作不良气味。我们的方法使用一致的分类法和可重用的词汇表(由DNS操作模型定义)在高级别的抽象上处理气味。该方法将用于构建诊断咨询工具,该工具将在域名投入生产之前检测可能降低其稳健性或安全态势的配置更改。
2015-04-10 cs.CR cs.NI
Detection of Malicious DNS-over-HTTPS Traffic: An Anomaly Detection Approach using Autoencoders
针对DNS加密导致传统检测失效的问题,本文提出基于自编码器的异常检测方法,仅观察加密DoH流量即可识别恶意流量,包括零日攻击,实验显示中位F-1分数达99%,优于其他异常检测算法。
2023-10-17 cs.CR
MORTON: Detection of Malicious Routines in Large-Scale DNS Traffic
在本文中,我们提出了莫顿,一种方法,确定受损设备在企业网的基础上存在的日常DNS设备之间的通信和不良主机名。由于其输入数据的紧凑表示和使用高效的信号处理和用于分类的神经网络,MORTON被设计为准确,鲁棒和可扩展。我们评估莫顿使用大型数据集的企业DNS日志,并将其与两个最近提出的信标检测方法,旨在检测恶意软件通信。结果表明,虽然MORTON在合成实验中的准确性与其他方法相当,但它在检测复杂的机器人通信技术(如多级通道)以及其鲁棒性和效率方面优于这些方法。在现实世界的评估中,其中包括以前未报告的威胁,MORTON和两种比较的方法被部署来监视两个全球企业的(未标记的)DNS流量长达一周的时间;该评估证明了MORTON在现实世界中的有效性,并展示了其在真阳性和假阳性率方面的优越性。
2021-01-21 cs.CR
Information-Based Heavy Hitters for Real-Time DNS Data Exfiltration Detection and Prevention
本文提出基于信息的重击者(ibHH),一种利用实时信息量估计、恒定内存和常数时间查询的实时DNS数据外泄检测方法,可在真实大规模数据集上以低误报率和低资源消耗检测慢速外泄。
2023-07-05 cs.CR
Detecting Domain-Generation Algorithm (DGA) Based Fully-Qualified Domain Names (FQDNs) with Shannon Entropy
本文提出利用香农熵和单变量t检验分析DNS日志,以检测SUNBURST后门通过仿冒AWS域名的DGA生成FQDN进行数据窃取的C2活动。
2023-04-17 cs.CR
Monitoring Security of Enterprise Hosts via DNS Data Analysis
企业网的规模和复杂性都在不断增长,需要以不同的方式保护异构连接资产。然而,几乎所有连接的资产都使用域名系统(DNS)进行地址解析,因此DNS已成为攻击者秘密执行命令和控制(C&C)通信、数据窃取和服务中断的方便工具。监控网络流量的企业安全设备通常允许所有DNS流量通过,因为它对于访问任何Web服务都至关重要;它们最多只能与已知恶意模式的数据库匹配,因此对零日攻击无效。本论文重点关注三种利用DNS的高影响力网络攻击,特别是数据泄露,恶意软件C&C通信和服务中断。使用从大学校园和政府研究机构收集的DNS网络流量的大数据(超过10 B数据包)超过6个月的时间,我们说明了这些攻击的解剖,训练机器自动检测此类攻击,并评估其在该领域的有效性。
2022-05-18 cs.CR cs.NI
A Survey on DNS Encryption: Current Development, Malware Misuse, and Inference Techniques
本文综述了2016年以来DNS加密技术(DoT、DoH、DoQ)的发展与采用现状,系统分析了恶意软件如何滥用加密DNS进行僵尸网络通信和数据外泄,并总结了从加密DNS流量中推断正常模式与检测恶意流量的现有方法,为未来提升DNS加密性能与安全性指明研究方向。
2022-07-08 cs.CR cs.NI
Efficient Distinct Heavy Hitters for DNS DDoS Attack Detection
受最近一种新型的随机分布式拒绝服务(DDoS)攻击的域名服务(DNS),我们开发了新的和有效的不同的重打击者的算法,并建立了一个攻击识别系统,使用我们的算法。流中的重攻击检测是许多应用的基本问题,包括检测某些DDoS攻击和异常。元素流中的(经典)重量级人物(HH)是键(例如,查询的域),其出现在许多元素中(例如,请求)。当流元素由<key; subkey>对组成时,(<domain; subdomain>)一个不同的重命中者(dhh)是一个与大量不同子键配对的键。我们的dHH算法比以前的算法更实用。具体而言,新的固定大小的算法是简单的代码和渐近最佳的空间精度权衡。此外,我们引入了一个新的措施,一个组合重打击(cHH),这是一个关键的不同和经典的权重的大组合。有效的算法也提出了cHH检测。最后,我们进行了广泛的实验评估真实的DNS攻击痕迹,证明了我们的算法和我们的DNS恶意查询识别系统的有效性。
2016-12-08 cs.CR cs.NI
E-DoH: Elegantly Detecting the Depths of Open DoH Service on the Internet
本文提出E-DoH方法,通过优化探测机制和高效工具,在IPv4空间中发现约4.6万个DoH服务,时间效率提升80%,流量需求仅为4%-20%,并揭示了DoH服务生态的若干有趣特征。
2024-03-19 cs.CR cs.NI
Killing Two Birds with One Stone: Malicious Domain Detection with High Accuracy and Coverage
基于推理的技术是分析DNS数据和检测恶意域名的主要方法之一。推理技术的关键思想是首先根据从DNS数据中提取的特征定义域之间的关联。然后,部署推理算法,根据潜在恶意域与已知恶意域的直接/间接关联来推断潜在恶意域。定义关联的方式是推理技术有效性的关键。期望既准确(即,避免错误地将域与没有意义的连接相关联)并且具有良好的覆盖(即,识别具有有意义连接的域之间的所有关联)。由于DNS数据提供的信息范围有限,设计一种既能实现高准确性又能实现良好覆盖的关联方案成为一个挑战。在本文中,我们提出了一个新的关联方案,以确定由同一个实体控制的域。我们的核心思想是对活动DNS数据进行深入分析,以准确区分公共IP和专用IP,这使我们能够在域之间建立高质量的关联。我们的计划确定了许多有意义的域之间的连接,被丢弃的现有国家的最先进的方法。我们的实验结果表明,所提出的关联方案不仅显着提高了域覆盖率相比,现有的方法,但也取得了更好的检测精度。现有的基于路径的推理算法是专门为DNS数据分析而设计的。它是有效的,但计算昂贵。作为一种解决方案,我们调查的有效性相结合,我们的关联方案与通用的信念传播算法。通过全面的实验,我们表明,这种方法提供了显着的效率和可扩展性的改善,只有轻微的负面影响的检测精度。
2017-11-01 cs.CR
DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach
aizoOn Technology Consulting(艾佐恩技术咨询公司)
由于网络的高度异质性,在合法流量中检测隐蔽信道是一个严峻的挑战。因此,我们提出了一种有效的隐蔽通道检测方法,基于分析的DNS网络数据被动提取的网络监控系统。该框架是基于一个机器学习模块和提取特定的异常指标,能够描述手头的问题。本文的贡献是双重的:(i)机器学习模型包含针对网络用户而不是针对单个查询事件定制的网络配置文件,因此允许创建行为配置文件并发现与正常基线的可能偏差;(ii)以无监督模式创建模型,从而允许识别零日攻击并避免对新变体的签名或密码学的要求。在为期15天的实验会话中,对所提出的解决方案进行了评估,注入了涵盖最相关的渗透和隧道攻击的流量:检测到了所有恶意变体,同时在同一时期产生了较低的误报率。
2020-10-04 cs.CR cs.LG cs.NI
CONDENSER: A Graph-Based Approachfor Detecting Botnets
僵尸网络是一个全球性问题,对受害者造成了巨大的经济和运营损失。它们的实现考虑到了规避,目的是隐藏它们的架构和作者,使它们通常难以检测。这类网络主要用于身份盗窃、虚拟勒索、垃圾邮件活动和恶意软件传播。僵尸网络在战争和恐怖活动中具有巨大的潜力,因此采取行动予以打击至关重要。我们提出了CONDENSER,用于识别僵尸网络活动产生的数据的方法。我们首先从几个数据源中选择适当的功能,即DNS不存在的域响应和指向我们以前下沉的命令和控制服务器的实时通信包。通过使用机器学习算法和基于图形的数据表示,然后允许识别僵尸网络活动,帮助识别异常流量,快速检测新的僵尸网络并改进跟踪已知僵尸网络的活动。我们的主要贡献有三个方面:第一,使用机器学习分类器将域名分类为由域生成算法(DGA)生成的域名;第二,使用一组选定的功能的聚类算法,将网络通信与类似的模式分组;第三,基于图的知识表示框架,我们存储处理后的数据,允许我们执行查询。
2014-10-31 cs.CR
Closing the Blinds: Four Strategies for Protecting Smart Home Privacy from Network Observers
不断增长的灵巧家庭物联网设备市场为消费者带来了新的便利,同时也为保护家庭隐私带来了新的挑战。具体而言,互联网服务提供商或邻居WiFi窃听者可以测量来自灵巧家庭设备的互联网流量速率,并推断消费者的私人家庭行为。在这里,我们提出了设备制造商和第三方可以采取的四种策略,以保护消费者免受侧信道流量速率隐私威胁:1)阻止流量,2)隐藏DNS,3)隧道流量,以及4)整形和注入流量。我们希望这些策略以及我们讨论的实施细节将为隐私敏感的灵巧家庭的未来发展奠定基础。
2017-05-18 cs.CR
Investigation of Advanced Persistent Threats Network-based Tactics, Techniques and Procedures
针对APT攻击数据稀缺、行为复杂导致检测难的问题,本文分析33个跨22年的APT活动,揭示其DNS与HTTP(S)相关规避TTPs及演变,为下一代NIDS提供检测依据。
2025-02-12 cs.CR cs.NI cs.OS
PASSVM: A Highly Accurate Online Fast Flux Detection System
快速流量服务网络(FFSN)被对手用来实现一个高弹性的技术,他们的恶意服务器,同时保持他们隐藏的直接存取。在这种技术中,大量的僵尸网络机器,被称为流量代理,作为代理来中继终端用户和恶意主机服务器之间的流量,该主机服务器由对手控制。已经提出了用于检测FFSN的各种机制。这种机制依赖于收集大量的DNS流量跟踪,并需要大量的时间来识别快速流量域。在本文中,我们提出了一种有效的基于人工智能的在线快速通量检测系统,该系统可以对快速通量域进行高度准确和非常快速的检测。所提出的系统,称为PASSVM,是基于与给定的域名的DNS响应消息相关联的功能。该方法依赖于存储在两个本地数据库中的特征,以及从响应DNS消息本身提取的特征。数据库中的信息来自Censys搜索引擎和IP地理定位服务。PASSVM的评估使用三种类型的人工神经网络,它们是:多层感知器(MLP),径向基函数网络(RBF),和支持向量机(SVM)。实验结果表明,基于RBF核的SVM方法的检测准确率为99.557%,检测时间小于18 ms,优于其他两种方法。
2020-06-05 cs.CR cs.NI
Detection of Early-Stage Enterprise Infection by Mining Large-Scale Log Data
近年来,越来越多的复杂攻击出现,包括针对机密专有信息的高级持续性威胁(APT),这些攻击给组织和政府带来了严重风险。此外,新的恶意软件菌株正在以比以往更高的速度出现。由于这些恶意软件中的许多被设计为逃避现有的安全产品,因此当今大多数企业部署的传统防御,例如,防病毒、防火墙、入侵检测系统通常不能在早期阶段检测到感染。我们解决了在企业环境中检测早期感染的问题,提出了一个新的框架的基础上,从图论的启发信念传播。置信传播可以与受损主机或恶意域的“种子”(由企业安全操作中心- SOC提供)一起使用,也可以不使用任何种子。在后一种情况下,我们开发了一个检测器的C&C通信,特别是为企业量身定制的,它可以检测到一个隐形的妥协,只有一个主机与C&C服务器通信。我们证明了我们的技术在检测企业感染方面表现良好。我们在洛斯阿拉莫斯国家实验室(LANL)发布的两个月的匿名DNS日志中实现了高准确率和低误报率,其中包括LANL领域专家模拟的APT感染攻击。我们还将我们的算法应用于在大型企业边界收集的38 TB真实Web代理日志。通过与企业SOC合作进行仔细的手动调查,我们发现我们的技术识别了数百个被最先进的安全产品所忽视的恶意域。
2014-11-24 cs.CR
Detection of Denial of Service Attacks against Domain Name System Using Neural Networks
本文介绍了一种针对域名系统(DNS)的拒绝服务(DoS)攻击的入侵检测系统。我们的系统架构包括两个最重要的部分:统计预处理器和神经网络分类器。预处理器从目标名称服务器接收的业务中提取短时间帧内所需的统计特征。我们比较了三种不同的神经网络检测和分类不同类型的拒绝服务攻击。在一个模拟的网络中,该系统进行了评估,并表明,表现最好的神经网络是一个前馈反向传播的准确性为99%。
2009-12-09 cs.CR cs.NE