典型文献
融合注意力机制与并行混合网络的DGA域名检测
文献摘要：
基于统计特征的DGA域名检测方法依赖复杂的特征工程,而现有端到端的深度学习方法在DGA域名家族的多分类任务中性能表现不佳.针对上述问题,提出一种融合注意力机制与并行混合网络的DGA域名检测方法.首先,引入深层金字塔卷积神经网络,提取域名深层语义信息,并使用通道注意力块SENet进行改进构建DPCNN-SE,自适应学习通道间关系,抑制无用特征的传递;同时,将自注意力机制与双向长短时记忆网络结合构建BiLSTM-SA网络,捕获域名数据中最具代表性的全局时序特征;最后,融合2个网络提取的特征,输入softmax层输出分类结果.实验结果表明,该方法在域名家族的多分类任务中相比CNN、LSTM的单一模型,F1值分别提高了10.30个百分点、10.18个百分点;相较于现有的混合网络方法Bilbo和BiGRU-MCNN,F1值分别提高了5.97个百分点、4.87个百分点,并且具有更低的计算复杂度.
文献关键词：
DGA域名检测;特征融合;端到端;长短记忆神经网络;卷积神经网络
中图分类号：
作者姓名：
刘立婷;欧毓毅
作者机构：
广东工业大学计算机学院,广东 广州 510006
文献出处：
引用格式：
[1]刘立婷;欧毓毅-.融合注意力机制与并行混合网络的DGA域名检测)[J].计算机与现代化,2022(09):119-126
A类：
深层金字塔卷积神经网络,Bilbo
B类：
混合网络,DGA,域名检测,统计特征,特征工程,端到端,深度学习方法,名家,多分类,分类任务,深层语义信息,通道注意力,SENet,DPCNN,自适应学习,学习通道,无用,自注意力机制,双向长短时记忆网络,BiLSTM,SA,名数,时序特征,softmax,百分点,BiGRU,MCNN,计算复杂度,特征融合,长短记忆神经网络
AB值：
0.289045
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
