买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：四川大学

摘要：本发明公开了一种基于域变换与深度学习的DGA域名分类方法，包括数据域变换模块和数据识别分类模块；数据域变换模块将已有DGA域名转换为注意力机制递归图像；数据识别分类模块对DGA域名转换得到的图像进行识别分类。本发明将注意力机制与递归图转换算法相结合，提出了一种序列数据可视化表征通用方法，能丰富数据相空间特征，并差异化表征重点相空间特征。基于数据维度变换表征，构建了轻量级神经网络的DGA域名分类模型，模型能在保证分类识别的准确性的同时，有效降低了分类泛化误差以及模型文件的大小。本发明为解决DGA域名快速、准确分类问题提供了新的思路和解决方案，可广泛应用于包括资源有限的物联网终端等多种业务场景。

主权项：1.一种基于域变换与深度学习的DGA域名分类方法，运行于装有Tensorflow框架的Windows系统下的计算机中，其特征在于，包括以下步骤：步骤1：构建字符映射字典，将序列DGA域名数据，一一对应映射为由数字构成的序列数据；步骤2：根据DGA域名的一维数据长度，设置注意力机制递归图的长和宽；并根据序列数据计算其中各类字符数据的注意力占比，之后计算序列各个字符数据之间的相空间距离；步骤3：将序列数据中，各个字符之间的相空间距离除以各类字符数据的注意力占比，得到注意力递归图相空间距离矩阵，并对其举行图像编码得到注意力机制递归图，达到数据域变化的目的；步骤4：利用Tensorflow中的Keras框架，搭建一个九层神经网络结构的数据识别分类模块；步骤5：对图像数据集进行预处理，并提取数据标签；定义数据识别分类模块的优化器以及损失函数并对标签数据进行编码；步骤6：将一定批量大小的注意力机制递归图送入数据识别分类模块，进行识别分分类；之后利用softmax操作对数据识别分类模块的输出值进行归一化，并得到数据分类结果；步骤7：利用已经编码完成的数据标签以及数据识别分类模块的输出值，进行数据分类识别模块的损失值计算，并使用步骤5中的优化器进行神经网络反向传播，对数据分类识别模块的参数进行更新，以提高分类识别模块的性能；步骤8：重复步骤6-7，直到数据分类识别模块的训练次数达到阈值，随即数据分类识别模块训练结束，并保存数据分类识别模块的模型文件；之后直接将所述模型文件与数据域变换模块相结合，对DGA域名进行分类识别，无需再对数据识别分类模块进行再次训练。

全文数据：

权利要求：

百度查询： 四川大学 一种基于域变换与深度学习的DGA域名分类方法