.png){kind=icon}
返回
MFS-DoH: efficient malicious DNS-over-HTTPS traffic detection using multi-stage feature selection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11416-026-00626-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
DNS over HTTPS (DoH)通过加密DNS查询增强隐私，但也为检测恶意流量（如隧道和命令与控制（C2）通道）带来了挑战。本文提出MFS-DoH，一种针对恶意DoH流量的检测流水线，该流水线整合了多阶段特征选择（MFS）过程与分层分类架构。MFS流水线结合基于LightGBM的重要性排序、ANOVA-Lasso正则化以及互信息排序，将29个流级特征缩减为5个紧凑的判别属性集。分层检测方法包含两层：第1层将DoH流量与非DoH流量分离，第2层区分良性与恶意DoH流量。我们在涵盖基于隧道和DGA驱动的恶意软件流量的三个公开基准数据集上评估所提方法。在合并数据集中，最终五特征集的投票集成在第1层达到99.47%的准确率，在第2层达到99.95%的准确率，其性能与全29特征基线在统计学上相当，同时将特征维度降低了83%。定向填充攻击在分类器中产生15-22%的规避率。特征选择稳定性分析确认所选子集在估计器大小和随机种子方面完全可复现。这些结果表明，在分布内条件下，使用最少特征实现操作上可行的检测是可行的，同时突显了跨域泛化和对抗鲁棒性方面的开放挑战。
Keyword:
Domain name system
DNS over HTTPS
Malicious traffic
Malware
Machine learning
期刊
J
IF:
1.9
论文数:
44
被引数:
0
机构
引用论文
分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
URLMoE: leveraging multi-head attention and expert specialization for robust malicious URL classificationURLMoE：利用多头注意力机制和专家专业化实现鲁棒性恶意URL分类
PREAI
分享收藏Detection, characterization, and profiling DoH Malicious traffic using statistical pattern recognition使用统计模式识别技术检测、表征和剖析DoH恶意流量
PREAI
分享收藏
查看更多内容