公开(公告)号：CN109766991A

公开(公告)日：2019-05-17

申请号：CN201910033648.1

申请日：2019-01-14

Applicant: 电子科技大学

Inventor： 张小松 ,  牛伟纳 ,  任仲蔚 ,  谢鑫 ,  将天宇

IPC: G06N3/00 ,  G06N3/12

Abstract: 本发明公开了一种采用对抗性训练的人工智能优化系统及方法，属于机器学习领域。本发明对获取的原始数据集中的数据进行特征提取后，训练一个未经过对抗性训练的神经网络模型，得到识别模型；将识别模型作为计算适应度的一个参数，遗传算法基于计算的参数和提取的特征进行对抗样本的生成，得到生成的全部对抗样本；将生成的全部对抗样本与提取特征后的样本混合起来，作为新的数据集再次进行识别模型的有监督训练，得到有监督训练后的识别模型；对有监督训练后的识别模型进行测试，若达到给定要求，得到最终训练好的识别模型，否则调整遗传算法的参数后，再次生成对抗样本进行训练。本发明用于对抗性训练神经网络模型，提高模型安全性。

公开(公告)号：CN110177123A

公开(公告)日：2019-08-27

申请号：CN201910534665.3

申请日：2019-06-20

Applicant: 电子科技大学

Inventor： 张小松 ,  牛伟纳 ,  熊智鹏 ,  谢鑫 ,  将天宇 ,  葛洪麟

IPC: H04L29/06 ,  H04L29/12

Abstract: 本发明涉及基于DNS映射关联图的僵尸网络检测方法，包括：A.过滤DNS流量和包含A记录的响应数据包流量，对该过滤后的响应数据包流量预处理；B.对预处理后的响应数据包流量分别以全域名和IP为关键字提取关联映射关系，分别构建以全域名和IP为中心节点的二部图组件集，并合并每个二部图组件集里的图组件；C.分析所述二部图集中的元素，提取图特征向量；D.将已公开的Fast-flux与Domain-flux僵尸网络集作为数据输入，执行步骤A～步骤C，根据提取的图特征向量，将数据划分训练集与测试集，使用LightGBM算法，得到分类模型；E.应用分类模型完成待测流量的僵尸网络检测。本发明能够同时对Fast-flux与Domain-flux两种僵尸网络进行检测，并且具有较高的检测准确率。