基于神經(jīng)網(wǎng)絡(luò)的DNS 隱蔽信道檢測*

姜 雄，黃文培

（西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，四川 成都 611756）

0 引言

域名系統(tǒng)（Domain Name System，DNS）是現(xiàn)代互聯(lián)網(wǎng)的一項重要的基礎(chǔ)設(shè)施和資源，其主要功能是提供不適合記憶的長IP 地址與由字符組成的可讀域名之間相互映射的服務(wù)。借助DNS，網(wǎng)絡(luò)用戶可以通過記憶可讀域名來連接網(wǎng)絡(luò)。因此本地主機與互聯(lián)網(wǎng)之間的通信，除了利用靜態(tài)網(wǎng)絡(luò)互聯(lián)協(xié)議（Internet Protocol，IP）通信，都依賴于DNS 服務(wù)。一方面，由于DNS 協(xié)議在網(wǎng)絡(luò)中的普遍應(yīng)用和重要性，DNS 協(xié)議報文基本不會被防火墻的出站規(guī)則所屏蔽；另一方面，用戶一般更注重對受到攻擊的流量進行監(jiān)控，而忽略了利用DNS 協(xié)議進行信息傳輸?shù)碾[蔽行為。這兩點使得DNS 成為數(shù)據(jù)傳輸和泄露的隱蔽信道的良好選擇對象[1]。

DNS 隱蔽信道（DNS Covert Channel），又稱DNS 隧道，其主要目的有以下兩點：一是繞過認證和檢測實現(xiàn)網(wǎng)絡(luò)連接；二是突破防護墻的出站規(guī)則和流量檢測，實現(xiàn)惡意代碼遠程控制功能，或者傳輸敏感信息，竊取重要數(shù)據(jù)?，F(xiàn)在許多攻擊者在對目標主機植入惡意代碼后，借助DNS 隱蔽信道傳輸數(shù)據(jù)與信息，破壞系統(tǒng)數(shù)據(jù)完整性和機密性。新型后門木馬PlugX 遠控變種[2]就結(jié)合了DNS 隱蔽信道與PlugX 遠控程序，使得該木馬可以有效穿透防火墻。2017 年3 月一起DNSMessenger 的攻擊事件中的所有命令都通過DNS 隱蔽信道傳輸，以此來躲避檢查[3]。

目前對于DNS 隱蔽信道的檢測主要包括對DNS 報文和DNS 通信行為進行分析并提取特征。Qi 等人[4]提出了一種利用Bigram 對查詢域名進行評分以進行二分類實時檢測DNS 隧道的方法。Aiello 等人[5]提出先提取報文大小、時間間隔等特征，然后進行多數(shù)投票監(jiān)督學(xué)習(xí)的檢測方法。Liu等人[6]提出了一種基于行為特征的二分類方法，主要對DNS 隱蔽信道的通信行為進行特征提取。單康康等人[7]提出了基于多種機器學(xué)習(xí)算法構(gòu)建混合分類模型，通過分配權(quán)重綜合檢測結(jié)果來檢測DNS隱蔽信道。王琪等人[8]將DNS 服務(wù)器日志作為數(shù)據(jù)來源進行特征提取，使用機器學(xué)習(xí)分類模型進行檢測。Yang 等人[9]在使用隨機森林對DNS 隧道檢測時，主要關(guān)注DNS 隧道的會話行為特征。Lai 等人[10]提出了一種無須提取特征的檢測方法，該方法直接以DNS 應(yīng)答報文字節(jié)數(shù)據(jù)訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)。Liu 等人[11]使用DNS 查詢報文作為數(shù)據(jù)，對報文進行編碼，并使用卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，自動對報文提取特征，但未去除受控域名對數(shù)據(jù)的影響。張猛等人[12]對DNS 網(wǎng)絡(luò)分組設(shè)定并提取大量特征數(shù)據(jù)，還探索了多種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練測試效果。

基于以上分析，目前的DNS 隱蔽信道檢測方法，都比較傾向于分析并提取特征；但在面對巨大的DNS 流量時恐難以應(yīng)對。在無須提取特征的檢測方法中，只對單一的查詢或應(yīng)答報文進行檢測識別，也難以覆蓋全面。近期，深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory Neural Network，LSTM）分別在計算機視覺領(lǐng)域和文本領(lǐng)域取得了良好的性能，充分展示了其自動提取特征的能力。因此，本文提出了無須提取大量特征且不區(qū)分查詢與應(yīng)答報文的基于CNN 和基于LSTM 的檢測方法，并通過實驗驗證，以期達到理想的效果。

1 DNS 隱蔽信道分析

1.1 DNS 隱蔽信道工作原理

利用DNS 協(xié)議建立的隱蔽信道一般通過兩種方式實現(xiàn)：一種是利用域名系統(tǒng)，通過域名解析，與域名系統(tǒng)中的某一特定的域名服務(wù)器建立連接，這里稱為中繼模式；另一種是指定該解析域名的域名服務(wù)器，通過服務(wù)器的IP 地址直接建立連接，不經(jīng)過域名系統(tǒng)，這里稱為直連模式。其中，常用中繼模式將DNS 隧道報文隱藏在大量的DNS 流量中，并經(jīng)過域名系統(tǒng)傳遞到目標服務(wù)器。

對于采用中繼模式構(gòu)建的DNS 隱蔽信道，作為數(shù)據(jù)隱藏的載體，DNS 查詢報文和應(yīng)答報文都經(jīng)過域名解析到達目標主機。以example.dnstunnel.com 為例，解析DNS 進行域名解析的流程如下：

（1）客戶端本地DNS 緩存如沒有查詢域名的查詢結(jié)果，則向本地DNS 服務(wù)器發(fā)送查詢請求；

（2）本地DNS 服務(wù)器如沒有相應(yīng)的緩存，則向根服務(wù)器發(fā)送查詢請求，根服務(wù)器返回com 的域名服務(wù)器IP 地址；

（3）本地DNS 服務(wù)器再向com 的域名服務(wù)器發(fā)送目標域名的查詢請求，com 的域名服務(wù)器則返回dnstunnel.com 的域名服務(wù)器IP 地址；

（4）本地DNS 服務(wù)器再向dnstunnel.com 的域名服務(wù)器發(fā)送目標域名的查詢請求，該DNS 服務(wù)器返回example.dnstunnel.com 的查詢結(jié)果，本地DNS服務(wù)器再將查詢結(jié)果返回給客戶端。

攻擊者如要構(gòu)建中繼模式的DNS 隱蔽信道，需要一臺能完全控制的DNS 解析服務(wù)器和一個已注冊的域名，并將該解析服務(wù)器設(shè)置為該域名的授權(quán)服務(wù)器，域名系統(tǒng)就會將對該域名及其子域名的查詢轉(zhuǎn)發(fā)到控制的服務(wù)器上，從而在其控制的客戶端與域名服務(wù)器之間，使用注冊的域名構(gòu)建DNS 隱蔽信道。

客戶端在向服務(wù)端發(fā)送數(shù)據(jù)時，首先將需要發(fā)送的數(shù)據(jù)采用Base64、Base32 等編碼后放在子域名部分，也就是替換上面距離域名的example 部分；其次經(jīng)過DNS 查詢將該子域名部分傳遞給服務(wù)端。服務(wù)端將需要回傳的數(shù)據(jù)編碼后，放在應(yīng)答報文的資源記錄區(qū)域，通過DNS 系統(tǒng)回傳給客戶端。

1.2 DNS 隱蔽信道檢測特征分析

對于DNS 查詢報文來說，一般除了DNS 協(xié)議頭部信息，就只有查詢區(qū)域。DNS 隱蔽信道的查詢報文與常規(guī)的查詢報文之間的顯著區(qū)別是查詢域名與查詢類型。因為查詢域名時，DNS 隧道是傳遞數(shù)據(jù)的載體，為了提高傳輸?shù)男?，在域名?shù)據(jù)中使用二進制數(shù)據(jù)是一種有效提高傳輸效率的方法[13]?，F(xiàn)有的大多數(shù)工具建立的DNS 隱蔽信道使用了Base32、Base64 等對數(shù)據(jù)編碼，因此會使用非常規(guī)的字符。例如在實驗環(huán)境中，dns2tcp 在與C&C（Command and Control）服務(wù)器通信的過程發(fā)送的查詢域名為778A8QD/BA.dnstunnel.com。因此在子域名中蘊藏許多能表征DNS 隱蔽信道的特征，例如域名長度、字符頻率特征、信息熵等[14]。

為了讓服務(wù)端在DNS 應(yīng)答報文中有足夠大的空間填充數(shù)據(jù)，常用TXT、CNAME、MX 等查詢類型，使其中能嵌入字符，而常規(guī)查詢報文為了獲得查詢域名的IP 地址，常用A 類型。

對于DNS 應(yīng)答報文來說，其查詢區(qū)域與其對應(yīng)的查詢報文的查詢區(qū)域相同，因此查詢報文中的檢測特征在應(yīng)答報文中依然存在。并且在常規(guī)的DNS 應(yīng)答報文中，很多時候應(yīng)答資源區(qū)域不止一條資源記錄，因為大型網(wǎng)站會有多個服務(wù)器。而DNS隱蔽信道的應(yīng)答報文，通常只有一條應(yīng)答資源記錄，這是為了節(jié)省應(yīng)答報文的空間而避免多條資源記錄占用頭部信息的空間。因此，應(yīng)答資源記錄數(shù)、應(yīng)答資源區(qū)域及其中的查詢類型也都是隱藏在應(yīng)答報文中的檢測特征。

以上是對DNS 報文所隱藏特征的分析，在通信行為方面，DNS 隱蔽信道的查詢報文與常規(guī)的查詢報文也有較大不同。其中DNS 隱蔽信道在傳輸大量數(shù)據(jù)時，需要在短時間內(nèi)產(chǎn)生大量DNS 報文[15]，并且由于為了傳輸數(shù)據(jù)而導(dǎo)致產(chǎn)生查詢的速度過快，因此在一段時間的DNS 流量中查詢與應(yīng)答報文數(shù)量并不接近。

本文主要問題是判斷某個DNS 報文是否是由DNS 隱蔽信道產(chǎn)生?？梢詫⑦@個目標表述為一個二分類的任務(wù)，如{(P1,y1),…,(PN,yN)}，其中Pn，n=1,2,…,N為一個DNS報文，yn∈{0,1}標記該DNS 報文是否是DNS 隱蔽信道的報文，其中1 為DNS 隱蔽信道的報文，0 為常規(guī)DNS 報文。對DNS流量數(shù)據(jù)進行數(shù)據(jù)規(guī)范化處理，然后基于CNN 和LSTM 建立檢測模型并訓(xùn)練，利用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)自動提取特征，實現(xiàn)對DNS 隱蔽信道的檢測。

2 基于CNN 的檢測方法

2.1 數(shù)據(jù)規(guī)范化

根據(jù)前面的分析，針對每一條DNS 流量報文，以字節(jié)為單位轉(zhuǎn)換為0～255 之間的整數(shù)。例如一條DNS 報文，其字節(jié)數(shù)據(jù)為[71,254,1,0,…,0,16,0,1]，其長度為252，即該DNS 報文有210 個字節(jié)。由于DNS 協(xié)議在傳輸時，當封裝的DNS 應(yīng)答的長度超過512 字節(jié)時，DNS 協(xié)議就會在傳輸層采用傳輸控制協(xié)議（Transmission Control Protocol，TCP），而絕大多數(shù)DNS 報文使用用戶數(shù)據(jù)包協(xié)議（User Datagram Protocol，UDP）。

查詢域名部分由于不同的DNS 隱蔽信道會使用不同的已控制域名，例如由DNS 隱蔽信道工具dns2tcp 產(chǎn)生的DNS 隧道報文+Z8BRQFUBA.dnstunnel.com，其中的dnstunnel.com 是攻擊者自定義的受控域名，不具有特征，因此為了避免自定義已控制域名對模型的影響，使得訓(xùn)練的模型有更好的普適性，只對查詢域名的第一段域名部分作為數(shù)據(jù)進行訓(xùn)練。

因此DNS 報文中查詢域名只保留第一段子域名，并且去除無意義的會話標識，使用0 填充到623 字節(jié)，或者截斷至623 字節(jié)，再以50 個報文為一組統(tǒng)計DNS 報文速率與查詢報文占比這兩個數(shù)據(jù)填充至末尾，最后將其轉(zhuǎn)換成25×25的二維矩陣：

這個二維矩陣數(shù)據(jù)中分為報文數(shù)據(jù)與通信行為特征。再將該二維矩陣轉(zhuǎn)換成單通道灰度圖片，如圖1 所示。DNS 報文中的每一個字節(jié)都是圖片中的一個像素點，將該圖片作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。

圖1 CNN 輸入灰度

2.2 模型結(jié)構(gòu)與訓(xùn)練過程

本文研究的問題是利用CNN 檢測DNS 隱蔽信道，來判別一個DNS 報文是否是DNS 隱蔽信道產(chǎn)生的DNS 報文，這是一個二分類問題，因此在經(jīng)典的CNN 模型結(jié)構(gòu)LeNet-5 的基礎(chǔ)上進行改造。

整體結(jié)構(gòu)：C1 卷積層，采用6 組1×6×6 的卷積核；S2 池化層，采用2×2 的采樣窗口；C3 卷積層，采用16 組6×5×5 的卷積核；S4 采樣層，采用2×2 的采樣窗口；F5 全連接層，采用96 個神經(jīng)元；F6 全連接層，采用10 個神經(jīng)元；F6 全連接層softmax 分類器，采用2 個神經(jīng)元。

卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程主要采用反向傳播算法來傳遞誤差并計算梯度，然后使用梯度下降的優(yōu)化算法來計算并更新神經(jīng)元之間的連接權(quán)重。通過不斷地訓(xùn)練，使得利用CNN 模型中的參數(shù)計算出的結(jié)果與目標誤差達到最小。其訓(xùn)練過程中的前向傳播、反向傳播及參數(shù)更新的表示方法如下文所述。

（1）前向傳播。其計算方法可以表示為：

式中：*為卷積操作；l為當前的卷積層數(shù)；z和x分別為該層卷積操作后的輸出及經(jīng)過激活函數(shù)ReLU 后的輸出；W為該層的卷積核參數(shù)矩陣；b為該層的偏置參數(shù)。

（2）反向傳播。結(jié)合優(yōu)化算法，更新模型的參數(shù)，采用交叉熵損失函數(shù)作為目標函數(shù)，可以表示為：

式中：a為樣本預(yù)測為正類的概率；y為樣本標簽值為正類的概率；n為樣本大?。籈為目標函數(shù)。

（3）參數(shù)更新。為了使得模型達到目標函數(shù)的結(jié)果，需要根據(jù)預(yù)測值與目標的差距，反向傳播之后更新參數(shù)。其中權(quán)重的更新為偏置的更新為，其中η為學(xué)習(xí)速率，?為求偏導(dǎo)符號。

在C1 卷積層針對單通道灰度圖，即1×25×25的輸入，使用卷積核進行步長為1 且無填充的卷積，輸出6 張20×20 的特征圖像。在S2 采樣層，采用2×2 尺寸的采樣窗口，對C1 卷積層輸出的特征圖進行最大池化下采樣，輸出6×10×10 的特征矩陣。在C3 卷積層，進行步長為1 且無填充的卷積，輸出16 張6×6 的特征圖。在S4 采樣層中，同樣采用2×2 的采樣窗口進行下采樣，輸出16×3×3 的特征矩陣。在F5 全連接層中，將S4 采樣層中輸出的特征數(shù)據(jù)拉成一維數(shù)據(jù)，即144 個特征作為輸入，輸入到96 個神經(jīng)元中，輸出96 個數(shù)據(jù)。在F6 全連接層中，使用10 個神經(jīng)元，輸出10 個數(shù)據(jù)。在F7全連接層中使用2個神經(jīng)元利用soft-max分類器，輸出結(jié)果為2 類。選取其中概率更大的數(shù)的索引作為判別結(jié)果，分別是0 或1，其中1 表示DNS 隱蔽信道報文，0 表示常規(guī)DNS 報文。

3 基于LSTM 的檢測方法

根據(jù)之前的分析，DNS 隱蔽信道在傳輸數(shù)據(jù)時，其手段是將傳輸?shù)臄?shù)據(jù)進行編碼后放在已控制域名的子域名部分，然后通過DNS 查詢將數(shù)據(jù)通過DNS 系統(tǒng)傳送到服務(wù)端。域名中隱含大量檢測特征，可以只將查詢域名作為使用神經(jīng)網(wǎng)絡(luò)提取特征的對象，然后對長序列數(shù)據(jù)有良好性能的LSTM 建立模型并訓(xùn)練，構(gòu)建對DNS 隱蔽信道的檢測模型。

3.1 數(shù)據(jù)規(guī)范化

將上文舉例的DNS 隱蔽信道查詢域名的第一段域名+Z8BRQFUBA 轉(zhuǎn)換成0～255 之間的整數(shù)。由于DNS 協(xié)議中查詢域名采用ASCII，所以可以將這一段域名的字節(jié)數(shù)據(jù)，每個字節(jié)轉(zhuǎn)換成十進制的整數(shù)，其范圍為0～255。得到一維矩陣輸入為[43,90,56,66,82,81,70,85,66,65]。

為了給LSTM 模型輸入相同格式的數(shù)據(jù)，將該矩陣使用0 在前面填充，填充后長度為20。在數(shù)據(jù)末尾添加0 或1，作為數(shù)據(jù)標簽。因此每條DNS 報文處理后，得到長度為21 的數(shù)據(jù)為[0,0,…,66,65,1]。

3.2 模型結(jié)構(gòu)與訓(xùn)練過程

3.2.1 模型結(jié)構(gòu)

模型整體結(jié)構(gòu)：嵌入層，詞空間大小為256，嵌入到128 維向量中；LSTM 層，隱藏元（hidden state）的維數(shù)為256；兩個全連接層，一個是輸入隱藏元維數(shù)256 個數(shù)據(jù)，輸出是詞空間大小256 個數(shù)據(jù)，另一個是輸入詞空間大小256，輸出是1×2的矩陣。

（1）嵌入層。它可以把一個維數(shù)為所有詞的數(shù)量的高維空間嵌入到一個維數(shù)低得多的連續(xù)向量空間。這樣不僅可以減少離散變量的空間維數(shù)，而且可以有意義地表示變量。

（2）LSTM 層。它是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），它有兩個傳輸狀態(tài)，分別是cell state 和hidden state。它可以將序列前面部分計算的信息保留在兩個傳輸狀態(tài)中傳遞給當前輸入的數(shù)據(jù)，使得在當前數(shù)據(jù)輸入后，可以根據(jù)當前輸入和前面序列的信息，預(yù)測輸出的值。

（3）全連接層。由于每個數(shù)據(jù)輸入到LSTM層之后，根據(jù)兩個傳輸狀態(tài)，可以預(yù)測關(guān)于該數(shù)據(jù)的輸出，而該輸出則是在詞空間范圍內(nèi)，所以實質(zhì)上每個預(yù)測輸出都是一個分類問題。因此使用全連接層將其分類，神經(jīng)元個數(shù)為詞空間的大小。

3.2.2 訓(xùn)練過程

其訓(xùn)練過程也分為前向傳播、反向傳播和參數(shù)更新。在前向傳播階段，分為兩個階段：

（1）每條數(shù)據(jù)長度為20，將訓(xùn)練數(shù)據(jù)的前19個數(shù)據(jù)依次輸入構(gòu)建的LSTM 模型中。在輸出層，只使用第一個全連接層，將輸出映射到詞空間大小的0～255 上，因為前19 個數(shù)據(jù)，通過模型的輸出，都應(yīng)當是詞空間中的某個數(shù)據(jù)。此外，將當前數(shù)據(jù)計算出的隱藏元，在下一個數(shù)據(jù)輸入時，作為輸入的參數(shù)，在下一個數(shù)據(jù)進行計算時更新隱藏元。

（2）第20 個數(shù)據(jù)輸入時，此時輸入的隱藏元，將隱含前19 個數(shù)據(jù)的信息，再結(jié)合第20 個數(shù)據(jù)，LSTM 模型就提取出整個域名序列所含有的特征。在其經(jīng)過第一個全連接層運算后，輸出256 個數(shù)據(jù)，作為第二個全連接層的輸入，最后通過soft-max 分類器輸出判別結(jié)果0 或1。利用LSTM 提取整個序列的特征的能力，對DNS 報文進行檢測。

反向傳播與參數(shù)更新的方式與CNN 的一樣，只是LSTM 模型的反向傳播和參數(shù)更新，發(fā)生在每條數(shù)據(jù)的第20 個元素輸入時，并通過兩層全連接層得到兩類結(jié)果，再與目標值計算交叉熵損失函數(shù)，利用梯度更新算法和優(yōu)化算法，進行參數(shù)更新。

4 實驗測試與結(jié)果分析

4.1 數(shù)據(jù)集

本文實驗中的常規(guī)DNS 報文數(shù)據(jù)一部分為local-dns 數(shù)據(jù)，該數(shù)據(jù)來源于通過監(jiān)控網(wǎng)絡(luò)接口的方法，在真實校園網(wǎng)絡(luò)環(huán)境中，在一周內(nèi)采集的應(yīng)用層協(xié)議為DNS 協(xié)議的幀數(shù)據(jù)，并將其存儲在pcap 格式文件中。為了數(shù)據(jù)的完整性，另一部分數(shù)據(jù)采用加拿大維多利亞大學(xué)ISOT 實驗室收集并公開的數(shù)據(jù)集ISOT HTTP Botnet Dataset 中的DNS 報文數(shù)據(jù)，稱為isot-dns 數(shù)據(jù)。

DNS 隱蔽信道報文樣本數(shù)據(jù)除了使用3 個典型且常用的DNS 隧道工具搭建DNS 隧道產(chǎn)生之外，還使用了低速DNS 隧道工具dnsteal 和伊朗黑客組織APT34 使用并泄露出的Glimpse。3 個典型工具為DNSCat2、Iodine 和dns2tcp，它們使用不同的查詢類型和編碼方法，以及不同的通信行為與報文平均長度。例如，Iodine 能使用的查詢類型的種類最多，如SRV 和NULL，其他DNS 隧道工具很少使用這些類型，dns2tcp 常用Base64 編碼。dnsteal 只用于數(shù)據(jù)泄露，并且無需客戶端，DNS 報文速率與常規(guī)DNS 流量幾乎一致。Glimpse 作為在真實攻擊被黑客組織中使用的隧道工具，它所產(chǎn)生的數(shù)據(jù)能使得訓(xùn)練的檢測模型更具普遍性和代表意義。

關(guān)于實驗環(huán)境，在一臺主機上部署CentOS7 和Windows7 主機作為受控主機，并部署Ubuntu16.04搭載Bind9 作為本地DNS 服務(wù)器；在另一臺主機上部署CentOS7 作為控制端。

DNS 隱蔽信道主要有作為C&C 傳輸?shù)耐ǖ?、作為繞過網(wǎng)絡(luò)認證的通道、實現(xiàn)網(wǎng)頁瀏覽及文件秘密傳輸?shù)耐ǖ肋@3 種工作狀態(tài)。前3 個隧道工具通過使用ssh 遠程登錄命令以及搭建socks 代理服務(wù)器和nc 命令的方式分別工作在這3 個狀態(tài)，并收集其工作時與空閑時產(chǎn)生的DNS 報文數(shù)據(jù)。dnsteal則通過傳輸文件收集數(shù)據(jù)，Glimpse 可以實現(xiàn)命令控制和數(shù)據(jù)傳輸。收集的數(shù)據(jù)如表1 所示，并分配20%為測試數(shù)據(jù)集。

表1 DNS 隱蔽信道檢測數(shù)據(jù)集

4.2 評估指標

為了驗證模型對DNS 隱蔽信道的檢測效果，這里設(shè)立3 個評測指標，分別是準確率ACC、誤報率FPR、精確率PRE，具體計算公式為：

式中：TP為實際正類且預(yù)測為正類的樣本數(shù)量；FN為實際正類且預(yù)測為負類的樣本數(shù)量；FP為實際負類且預(yù)測為正類的樣本數(shù)量；TN表示實際負類且預(yù)測為負類的樣本數(shù)量。

4.3 結(jié)果分析

為了與提取特征的機器學(xué)習(xí)方法進行對比，使用邏輯回歸（Logistic Regression，LR）、支持向量機（Support Vector Machine，SVM）和決策樹（Decision Tree，DT）構(gòu)建檢測模型，與本文所提方法進行對比。共提取12 個特征，分別是查詢請求報文字節(jié)數(shù)、UDP 載荷字節(jié)數(shù)、第一段域名長度、整體域名長度、域名中大寫字母的個數(shù)、域名中小寫字母的個數(shù)、域名中數(shù)字的個數(shù)、域名中非法字符的個數(shù)、域名信息熵、查詢類型、對應(yīng)的DNS 應(yīng)答報文的字節(jié)數(shù)、單位時間內(nèi)發(fā)出DNS 請求的個數(shù)。

這5 種檢測模型在測試數(shù)據(jù)集上的測試結(jié)果如表2 所示。

表2 測試結(jié)果 %

從表2 可以看出，本文的基于CNN 和基于LSTM 的DNS 隱蔽信道檢測方法，在3 個指標上好于傳統(tǒng)的提取特征的基于機器學(xué)習(xí)方法。其中CNN方法的表現(xiàn)最好，因為它的訓(xùn)練數(shù)據(jù)包含的特征最全面，包括了報文特征與通信行為特征。LSTM 方法在整體效果上不如CNN 方法，因為其只能自動提取到隱含在子域名中的特征，但LSTM 方法相較于CNN 方法則更加簡便，只需提取報文中的查詢域名的第一段域名的字節(jié)數(shù)據(jù)，就能進行檢測識別，更適合在流量出入口進行快速檢測。

5 結(jié)語

本文針對在網(wǎng)絡(luò)攻擊中越來越常見的DNS 隱蔽信道進行了分析，提出了基于CNN 和LSTM 這兩種神經(jīng)網(wǎng)絡(luò)的檢測方法，利用神經(jīng)網(wǎng)絡(luò)對隱含特征的數(shù)據(jù)進行自動提取特征，實現(xiàn)了對DNS 隱蔽信道的有效檢測。該方法無須進行大量的特征設(shè)定和提取，也無須對DNS 查詢和應(yīng)答報文進行區(qū)分。此外，本文數(shù)據(jù)集來源于DNS 隱蔽信道常用的3 種狀態(tài)和網(wǎng)絡(luò)攻擊中黑客組織使用的Glimpse，使得數(shù)據(jù)集更加全面，且更具代表意義。