تشخیص هوشمند دامنه‌های مشکوک از داده‌های dns

یکی از مهم‌ترین چالش‌های امنیتی با پیشرفت فناوری در فضای مجازی حملات فیشینگ یا تله‌گذاری است.تله‌گذاری نوعی حمله سایبری است که همواره در تلاش برای به‌دست آوردن اطلاعاتی مانند نام کاربری، گذرواژه، اطلاعات حساب بانکی و مانند آن‌ها از طریق جعل یک وب‌سایت، آدرس ایمیل و متقاعد کردن کاربر به منظور واردکردن این اطلاعات می‌باشد. با توجه به رشد صعودی این حملات و پیچیده‌ترشدن نوع حمله، سیستم‌های تشخیصتله‌گذاری فعلی اغلب نمی‌توانند خود را با حملات جدید تطبیق دهند و دارای دقت پایین در شناسایی هستند.روش‌های مبتنی بر گراف یکی از روش‌های شناسایی دامنه‌های مشکوک است که از ارتباطات بین دامنه و ip برای شناسایی استفاده می‌کند. در این مقاله سیستم تشخیص تله‌گذاری مبتنی برگراف با استفاده از یادگیری عمیق ارائه شده است. مراحل کار شامل استخراج ip از دامنه‌، تعریف ارتباط بین دامنه‌ها، تعیین وزن‌ها وهمچنین تبدیل داده‌ها به بردار توسط الگوریتم node2vecاست. در ادامه با استفاده از نمونه‌های یادگیری عمیق cnn و dense عمل طبقه‌بندی و شناسایی انجام می‌شود. نتایج نشان می‌دهند که روش ارائه شده در این مقاله دقتی در حدود99 درصد در شناسایی دامنه‌های مشکوک دارد که در مقایسه با روش‌‌های قبل بهبود قابل قبول داشته است.

Malicious Domain Detection using DNS Records

One of the most important security challenges with the advance of technology in cyberspace is phishing attacks. Phishing is a type of cyberattack that always tries to obtain information such as username, password, bank account information, and the like by forging a website, email address and convincing the user to enter this information. Due to the increasing growth of these attacks and the increasing complexity of the type of attack, current phishing detection systems often cannot adapt to new attacks and have low detection accuracy. Graphbased methods are one of the techniques for identifying malicious domains that use the connections between the domain and IP to identify. In this paper, a graphbased phishing detection system using deep learning is presented. The main steps in the proposed method include extracting IP from the domain, defining the relationship between the domains, determining the weights, and converting the data to a vector by the Node2vec algorithm. Then, using CNN and DENSE deep learning models, the classification and identification operations are performed. The experimental results over three different datasets show that the proposed method provides an accuracy of about 99% in identifying malicious domains, which has an acceptable improvement compared to state of the art in this context.