导图社区 Cyber Applications of DL
Cyber Application of Deep Learning，深度学习在网络空间安全领域的应用思维导图
社区模板帮助中心，点此进入>>
互联网9大思维
组织架构-单商户商城webAPP 思维导图。
域控上线
python思维导图
css
CSS
计算机操作系统思维导图
计算机组成原理
IMX6UL(A7)
考试学情分析系统
Cyber Applications of Deep Learning Methods
Domain Generation Algorithms and Botnet Detection
DGA
C2服务器自动生成大量域名难以追溯，用于垃圾邮件、窃取个人数据、DDoS攻击等
A等[107]使用GAN合成数据，将语言编码为数字，LSTM层作为自动编码器，第一层正则化，最后一层逻辑回归，TPR从68%提高到70%
W等[108]RNN中的域名和GRU节点分类，TPR和FPR为98%和0.1%，[109]AUC0.996，[110]嵌入和LSTM与SVM和双向LSTM结合，[111]CNN+LSTM
原始域、Inception V4、LSTM-SVM、双向LSTM、MI、二进制等。[100-104]
Botnet
行为检测，To等人[115]特征热编码LSTM，dropout，十次交叉验证，不同采样方法
IOT设备及网络，M[116]双向LSTM，单词嵌入层，Mirai僵尸网络[117]，四种洪泛攻击，多向量攻击，准确率91.95%到99.999%
Drive-By Download Attacks
S[118]
去燥CNN，降低良性URLs影响
1、使用了具有历史意义域特性，基于通信的方法监视域内IP和自治系统内IP间活动
2、基于URL的瞬时特征，实例相关，惟一性。3、与IP地址的地理位置相关的信息
减少了CNN误报率，从27.6%到14.8%，但检出率为90%，CNN为97%
Y[119]
使用EDCNNs和相关历史IP地址、相关历史域名及基于URL的特征分类
多个URL，检测率为95%，高于[118],但误报率达39.1%
创建EDCNN分类器集合，检出率达97.3%，FPR降低至19.6%
Network Traffic Identification
[161]W等人3层AE堆+1层sigmoid，TCP流数据（除HTTP协议），精确率91.74-100，召回率90.9-100
[162]AE+CNN+一个分类层，可识别加密和VPN流量，应用识别和流量分类F1分数分别为98和93
[163]W等1D CNN，ISCX VPN和non-VPN数据集[164]，精确率和召回率99-100，VPN流量分类精确率94.9,97.3 召回率92,95.2 non-VPN（6类和12类）
File Type Identification
[165]C等信号处理，三类特征，去燥AE堆+4层DBN，准确率97.44
(1)256字节窗口中使用香农熵,50%重叠,三次插值
（2）字节序列作为信号，转换成频率空间
（3）第三类特征集是字节直方图
SPAM Identification
[165]T等人，3隐藏层RBM+DBN，准确率99.45、97,5和97.43，高于SVM
[166]M等人，5隐藏层AE，准确率95，高于DNN
Insider Threat Detection
[167]T等，DNN+RNN：每天每个用户系统日志作为特征向量输入DNN或LSTM，输出作为第二天的输入。DNN由于LSTM，PCA和SVM等，95检测率
Border Gateway Protocol Anomaly Detection
BGP缺陷会导致DDoS、嗅探、改变路由和窃取网络拓扑数据
[169]C等提取了33个特征，LSTM+逻辑回归，正确率99.5%
Verification If Keystrokes Were Typed by a Human
[170]K等人RNN+sigmoid，80准确率，0误报，LSTM+sigmoid也可以
User Authentication
[171]S等人，提取信道状态信息，3层AE，SVM检测，准确率91
False Data Injection Attack Detection
CPS、智能电网等遭受FDI攻击
[172]H等人，CGBTBMs+4隐藏层CDBN，大于93准确率
Network Intrusion Detection
DBN
[119-121]6层DBN，最佳，优于SVM+更少层DBN,93.49%准确率，TPR 92.33%
[122]6层DBN，获得97.9%准确率，[123]准确率97.5%，训练40%数据
RBM
[124]体系结构较[120】简单，准确度41%-82%
[125】使用AE降维，RBM+DBN，92.2%TPR和1.58%FPR
AE
[103]4隐藏层AE+高斯朴素贝叶斯，83.34%准确率
[126]AE和RBMs KDD-99降维，9个特征，K-means聚类，91.86%，92.12%准确率
[127、128]变分AE，97.59%准确率，低于使用类不平衡校正技术，多数投票分类器最好达99.99%，[129]AE集合，AE重建均方根误差训练新AE，比隔离森林和高斯混合好
wang[131]
CTU-13和USTC-TFC2016数据集，正常和恶意分类各10个类型
预处理：将原始网络流量数据转为图像，输入LeNet[132]CNN中
20类分类器（99.17%，10类正常99.4%，恶意98.52%）+二进制分类器（100%）
J[133]
稀疏AE+有监督softmax 3层，两个模型：正常恶意流量类型，正常和四种攻击类型
AE包含两个隐藏层，结果给四个隐藏层DNN，二类高于五类，分别为88.4%和79.1%
RNN&DNN[136-142]
[137]效果最好，100%检测率和2.3%误报率，KDD-99
[142]83.23%准确率，NSL-KDD，正则化技术效果更好
[143]Cooja网络仿真SDN，准确率75.75%，J48 (81.05%), 朴素贝叶斯树(82.02%), 随机森林81.59%, 多层感知 77.41%
IOT
[144]5层DBN，TPR95.4%,准确率95.03%，[145]准确率99.2%二类，98.27%四类
[146]雾生态系统+5层DNN，99.2%准确率，99.27%检测率，0.85%误报率
梯形网络
[148]KDD99,90%准确率每类1000个样本，99.03%每类5000
DCAEs
[150]1层卷积层+带ReLU的全连接层+分类层，准确率98.5%
Vehicle
[154]11层DBN，用RBMs，特征来自CAN，准确率97.8%，FPR1.6%，通用命令注入攻击检测，[155]LSTM,86.9准确率，多种类型攻击检测，优于机器学习方法
WiFi
[156]AWID数据集，[157]A等2隐藏层无监督AE特征提取+两中心K-means聚类，检测率92.18，错误率4.4，精确率86.15
5G
[158-159]M等用CTU数据集，2层隐藏DBN+RNN，精确率81.26，召回率99.34
Malware
Detection
基于dll恶意安卓检测[76/77]
特性来源：所需权限、敏感API静态分析、动态行为
静态特性（分析install .apk）+动态特性（通过DroidBox沙箱分析）
双隐层DBN效果最好，准确率为96.76%，TPR为97.84%，FPR为4.32%
动态特征分析如Pascanu等人[78]
从沙箱中运行软件派生的API调用等特性
RNNs（无监督）+MLP+逻辑回归进行分类
TPR为71.71%，FPR为0.1
CNNs+RNNs Kolo等人[79]
one-hot编码将API内核转成二进制向量
分类数据训练DL算法：CNN+RNN(LSTM+softmax)
accuracy准确率 89.4%, precision精确率 85.6% recall召回率 89.4%
RNN+CNN Tobi等人[80]
API时间序列到RNN(LSTM)特征提取
特征转为图像，CNN(两个卷积层和两个池化层)分类
AUC（area under Curve） 0.96
DBN Ding等人[81]
预处理PE，操作码创建DBN提取N-Gram
DBN准确率96.7，优于SVM，K-nc，决策树
MC等人[82]
嵌入层处理操作码，输入到两层CNN（最大化池层+全连接层）+分类层
准确率98%和80%，精确率99%和27%，召回率95%和85%，F1分值97%和78%
不同数据集
AE+sigmoid,accuracy 95.64%[83]
使用RBMs,取决于数据集和方法[84-88]
zhu使用了谷歌、Gen、GRE、Viru等四类数据集，F1 95.05%[86]
软件二进制转为直方图，四层N，参数校正的线性或s型激活函数和dropout层
网络行为如C2
Shi等人[91]，关注通信目的的改变和共同的潜在功能
RSNN，29562恶意样本，精确率97.6%，召回率为96.2%，F1得分为96.9
外部HTTP头，M等人[92]识别由恶意软件流量，准确率为97.1%，FPR为1.0%，DNN
移动边缘计算MEC的安全问题
一个RBMs隐层的DBN无监督+分类层，准确率高91%到96%
500个恶意+5000个良性
勒索软件
H[94]动态CNNs对编译的BE加密原语分类
DCNN和11个卷积+k-mas池化，准确率91.3%
Classification
DNN
微软[98]，空终止模式、API调用三元组、单个API调用和一个输入参数不同组合
参数组合生成5千万特征，选取17.9万，随机投影压缩到几千个
无RBMs的单层DNN表现最好，FPR0.35%
C等人[99]9层DNN，层间BN+dropout，准确率97%，二维可视化
[104]特征仅依赖软件动态分析，原始可执行文件、API和参数流，0.36%误差率
CNN
二进制文件到二维灰度图，二维CNN分类[100]
操作码视为单词，一维CNN分类，增加一个嵌入层，准确率99.52%
D等人[101] DBN训练、生成签名、分类、AE去燥
沙箱提取日志，n-gran，8层DBN去燥，AE预训练，30个数字的向量
C4 security1.8k软件训练，SVM分类，准确率98.6%
RNN+AE，SVM
W[102]使用双向RNN+AE将API序列变为低维向量，准确率99.1%
RNN+AE模型解释文件访问模式，分类0day攻击，99.2%准确率
[103]调用API构建AE分类器，SVM分类器最好，96.3准确率
但使用一元Xgboost分类器准确率98.2%
aDLmodel[105]
在对抗样本上进一步测试模型，测试DNN泛化能力
DNN:两个隐藏层+softmax层，准确度95.93%到98.35%
