Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Bài viết

Proposing the application of a deep learning model to detect the malicious IP address of botnet in the computer network

DOI: 10.54654/isj.v3i17.894
Từ khóaDGA Botnethọc sâuIP độc hại

Tóm tắt

Tóm tắt— Mã độc nói chung và Botnet nói riêng là mối đe dọa lớn đối với vấn đề an ninh mạng. Chúng có nhiều phương thức tinh vi giúp qua mặt các hệ thống an ninh để lây nhiễm vào máy tính và thực hiện các hoạt động tấn công, phá hoại hoặc do thám. Các giải pháp phát hiện Botnet luôn được các nhà khoa học, chuyên gia an ninh mạng quan tâm, giải quyết. DGA Botnet là một nhóm các họ Botnet phổ biến, có chung cơ chế là cần kết nối trở lại máy chủ điều khiển C&C thông qua DNS để có thể nhận lệnh hoạt động. Một số kết quả nghiên cứu,  thuật toán để phát hiện và phân loại DGA Botnet đã được đề xuất và thử nghiệm với kết quả cao. Trong nghiên cứu này, nhóm tác giả tiếp cận theo hướng sử dụng các giải pháp trên để phát hiện các địa chỉ IP độc hại và họ mã độc Botnet. Đầu tiên, nhóm tác giả đánh giá hiệu quả của hai mô hình học sâu LA_Bin07 và LA_Mul07 trên bộ dữ liệu mới chuyên dùng là UTL_DGA22. Sau đó, mở rộng thí nghiệm với bộ dữ liệu ISCX-Bot-2014. Kết quả cho thấy, hai mô hình LA_Bin07 và LA_Mul07 đều đạt được độ chính xác cao trên bộ dữ liệu mới, với lần lượt 0.98 và 0.86. Thử nghiệm trên bộ dữ liệu thực tế cũng cho kết quả khả quan, giúp nhà quản trị mạng khoanh vùng các địa chỉ IP độc hại để có thể điều tra sâu hơn. Giải pháp đề xuất đủ hiệu quả để ứng dụng như một module trong các giải pháp an ninh như tường lửa, hệ thống phát hiện và ngăn chặn xâm nhập hay giải pháp an ninh hợp nhất UTM.

Lượt tải theo tháng

0183604/2305/2306/2307/2308/2309/2310/2311/2312/2301/2402/2403/2404/2405/2406/2407/2408/2409/2410/2411/2412/2402/2503/2504/2505/2506/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Tong Anh Tuan, Nguyen Ngoc Cuong, Nguyen Viet Anh, Hoang Viet Long (2023). Proposing the application of a deep learning model to detect the malicious IP address of botnet in the computer network. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 3(17), 43-52. https://doi.org/10.54654/isj.v3i17.894

Tài liệu tham khảo

  1. 1.R. Vishwakarma and A. K. Jain, “A honeypot with machine learning based detection framework for defending IoT based botnet DDoS attacks,” Proc. Int. Conf. Trends Electron. Informatics, ICOEI 2019, pp. 1019–1024, 2019, doi: 10.1109/ICOEI.2019.8862720.
  2. 2.D. T. Son, N. T. K. Tram, and T. T. Thu, “Machine learning approach detects DDoS attacks,” J. Sci. Technol. Inf. Secur., vol. 1, no. 15, pp. 102–108, 2022, doi: 10.54654/isj.v1i15.850.
  3. 3.P. Wang, L. Wu, R. Cunningham, and C. C. Zou, “Honeypot detection in advanced botnet attacks,” Int. J. Inf. Comput. Secur., vol. 4, no. 1, pp. 30–51, 2010, doi: 10.1504/IJICS.2010.031858.
  4. 4.A. Ramachandran, N. Feamster, and D. Dagon, “Revealing botnet membership using DNSBL counter-intelligence,” 2nd Work. Steps to Reducing Unwanted Traffic Internet, SRUTI 2006, pp. 49–54, 2006.
  5. 5.N. Kheir, F. Tran, P. Caron, and N. Deschamps, “Mentor: Positive DNS reputation to skim-off benign domains in botnet C&C blacklists,” IFIP Adv. Inf. Commun. Technol., vol. 428, 2014, doi: 10.1007/978-3-642-55415-5_1.
  6. 6.J. Wang and I. C. Paschalidis, “Botnet Detection Based on Anomaly and Community Detection,” IEEE Trans. Control Netw. Syst., vol. 4, no. 2, pp. 392–404, 2017, doi: 10.1109/TCNS.2016.2532804.
  7. 7.S. Arshad, M. Abbaspour, M. Kharrazi, and H. Sanatkar, “An anomaly-based botnet detection approach for identifying stealthy botnets,” ICCAIE 2011 - 2011 IEEE Conf. Comput. Appl. Ind. Electron., pp. 564–569, 2011, doi: 10.1109/ICCAIE.2011.6162198.
  8. 8.K. Wang, C. Y. Huang, S. J. Lin, and Y. D. Lin, “A fuzzy pattern-based filtering algorithm for botnet detection,” Comput. Networks, vol. 55, no. 15, pp. 3275–3286, 2011, doi: 10.1016/j.comnet.2011.05.026.
  9. 9.Z. Ahmed, S. M. Danish, H. K. Qureshi, and M. Lestas, “Protecting IoTs from mirai botnet attacks using blockchains,” IEEE Int. Work. Comput. Aided Model. Des. Commun. Links Networks, CAMAD, vol. 2019-Septe, 2019, doi: 10.1109/CAMAD.2019.8858484.
  10. 10.L. Bilge, S. Sen, D. Balzarotti, E. Kirda, and C. Kruegel, “EXPOSURE: A passive DNS analysis service to detect and report malicious domains,” ACM Trans. Inf. Syst. Secur., vol. 16, no. 4, 2014, doi: 10.1145/2584679.
  11. 11.T. A. Tuan, H. V. Long, and D. Taniar, “On Detecting and Classifying DGA Botnets and their Families,” Comput. Secur., vol. 113, 2022, doi: 10.1016/j.cose.2021.102549.
  12. 12.T. A. Tuan, N. V. Anh, T. T. Luong, and H. V. Long, “UTL_DGA22 - a dataset for DGA botnet detection and classification,” Comput. Networks, vol. 221, 2023, doi: 10.1016/j.comnet.2022.109508.
  13. 13.360NetLab, “DGA - Netlab OpenData Project,” Qihoo 360 Technology, 2022. https://data.netlab.360.com/dga/ (accessed Mar. 09, 2021).
  14. 14.M. Zago, M. Gil Pérez, and G. Martínez Pérez, “UMUDGA: A dataset for profiling DGA-based botnet,” Comput. Secur., vol. 92, 2020, doi: 10.1016/j.cose.2020.101719.
  15. 15.D. Gonzalez-Cuautle et al., “Synthetic minority oversampling technique for optimizing classification tasks in botnet and intrusion-detection-system datasets,” Appl. Sci., vol. 10, no. 3, 2020, doi: 10.3390/app10030794.

Bài viết liên quan