基于深度学习的僵尸网络检测技术分析

夏魁良 于光华 李岩

课题来源：黑河学院2020年度校级课题;课题编号：KJY202002;

课题名称：基于深度学习的通信业务安全检测技术研究

摘要：当前已经进入到网络化发展时代，网络技术的应用给人们的生活以及工作带来了很大的便利，为能从整体上提升网络应用的价值，网络空间安全保护显得愈来愈重要。僵尸网络所造成的威胁比较大，做好僵尸网络检测保障网络的安全成为比较基础性的工作，本文主要从理论层面就深度学习的僵尸网络建设技术进行展开探究，希望能为技术推广起到积极作用。

关键词：深度学习;僵尸网络;检测技术

中图分类号：TP393.08;TP18文献标识码：A文章编号：1672-9129（2020）14-0153-02

引言：僵尸网络的检测原来主要是在黑名单以及白名单方式，检测准确度高，而在加密流量识别方面能力相对比较薄弱，对于未知的攻击是无法进行检测的，所以在网络安全的保护方面就会存在薄弱点。为能从整体上提升网络应用的安全性，这就需要对僵尸网络进行有效检测，做好深度学习等相应的工作，从这些基础工作方面得以强化，才能真正有助于提升网络应用安全性能。

1僵尸网络检测的挑战体现

僵尸网络检测面临的挑战是多方面的，僵尸云通过云服务提供商提供的虚拟服务器为IRC服务器，有着比较突出的隐蔽性，检测的时候存在着一些困难度。云服务提供商通常是信誉好的企业，僵尸云当中有正常云服务以及恶意僵尸活动，工作的方式是相似的，所以在进行辨别的时候就会存在一定的困难[1]。僵尸网络以及云计算特征主要有几点比较类似，乳都是大流量和大数据的工作方式，网络流量的依赖性比较强，能够把分散分布计算资源进行有效聚合，并且是一对多控制方式。具体的僵尸网络检测工作的开展当中，所面临的挑战是多方面的，只有从基础工作方面得以强化，才能有助于提高检测的质量。

2深度学习的僵尸网络检测技术

深度学习的僵尸网络检测技术的实际应用过程中，涉及到的检测技术类型比较多样，从以下几点技术类型进行阐述：

2.1卷积神经网络检测技术。采用该检测技术，主要是以卷积神经网络技术为基础，选取合适网络流特征并对其编码，通过卷积神经网络选择特征学习，这样就能有效抽象出有利于分类的特征，通过有监督的机器学习算法来对特征数据做好分类，有效识别异常网络和检测出僵尸云等。僵尸网的检测有在线和离线训练的環节，如在进行离线训练的的过程中，需要进行采集网络流数据，采用Wireshark在云计算网络环境出入口进行采集网络流数据[2]。在基本网络流特征提以及特征映射和卷积神经网络监督学习等过程，能够达到网络检测的目标。在线检测主要是采用实时采集一段时间窗网络流数据，进行提取基本网络流的特征，映射成灰度图像，作为训练好的卷积神经网络输入输出检测结果，从而能够达到高效化检测的目标。

2.2深度神经网络检测技术。深度学习的僵尸网络检测过程中，通过将深度神经网络检测技术加以科学化运用，这对提升网络检测的质量有着积极促进作用。基于深度学习的网络检测技术的应用下，有着比较强的表征学习能力，网络入侵检测方面已经有表征学习方法的应用成果，采用深度神经网络在KDD99数据集进行对网络入侵行为进行检测，能够达到良好的检测效果。通过深度信念网络在NSL-KDD数据集流量分类研究，都能起到高效的检测效果，能为保障网络的安全使用打下基础[3]。

2.3LSTM深度学习检测技术。僵尸网络检测技术的选择应用过程中，通过从LSTM深度学习为基础进行检测，从几个技术应用要点方面加强重视，数据来源层面，僵尸网络检测方法应用中，性能效果依赖用语评估检测性能数据集，所使用的数据集要能从普适性以及多样性等方面加强重视。

3结语

总之，对于深度学习的僵尸网络技术的选择以及应用，要充分注重从多角度出发，注重技术应用质量的控制。通过上文中对深度学习的僵尸网络检测技术的应用研究分析，介绍几种检测的技术，希望能够为检测技术的推广起到积极作用。未来的网络技术发展过程中，对僵尸网络检测技术的应用需求会进一步增大，提高技术的先进性成为检测技术发展面对的重要挑战。

参考文献：

[1]罗扶华，张爱新.基于深度学习的僵尸网络检测技术研究[J].通信技术，2020，53（01）：174-179.

[2]谭越，邹福泰.基于ResNet和BiLSTM的僵尸网络检测方法[J].通信技术，2019，52（12）：2975-2981.

[3]尹传龙，祝跃飞，张鹤童.基于LSTM深度学习的僵尸网络检测模型[J].信息工程大学学报，2018，19（06）：712-718.

[4]寇广，汤光明，王硕，宋海涛，边媛.深度学习在僵尸云检测中的应用研究[J].通信学报，2019，37（11）：114-128.