.png){kind=icon}
返回
LLM-Enhanced Heterogeneous Graph Embedding Model for Multi-Task DNS Security
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-10459-5_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前DNS安全分析方法主要依赖传统特征工程，往往忽视异构DNS元素间的内在关联和识别高级威胁所需的关键语义细节。这些方法难以捕捉全局高阶关系，且通常缺乏针对复杂威胁模式的可解释性解释。为解决这些局限，我们提出一个集成联合DNS嵌入（JDE）模型与专用大型语言模型（LLM）的先进框架。JDE模型利用相似性增强的异构图嵌入和超图结构，有效表征复杂的域-IP关联以支持广泛的恶意域名检测（MDD）。同时，LLM经过针对性微调，用于分析域名字符串特征，精确识别域名生成算法（DGA）和DNS数据外泄模式。JDE模型将空间域统计与图派生嵌入相结合，并整合微调LLM的输出以提升检测性能。此外，专用LLM提供目标化解释，显著增强IP声誉评估（IRE）的透明度和可操作洞察。在为期三个月的真实DNS流量数据集上的实验表明，我们的联合系统取得了最先进的效果。
Keyword:
Malicious Domain Detection
Large Language Models
Heterogeneous Graph Embedding
期刊
N
IF:
0
论文数:
29
被引数:
0
机构
引用论文
.png){kind=icon}
Identifying Interpretable Link Communities with User Interactions and Messages in Social Networks识别具有用户交互和消息的社会网络中的可解释链接社区
PREAI
分享收藏
分享收藏分享收藏
查看更多内容