Phương pháp cải tiến LSTM dựa trên đặc trưng thống kê trong phát hiện DGA botnet

Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Phương pháp cải tiến LSTM dựa trên đặc
trưng thống kê trong phát hiện DGA botnet
Mạc Đình Hiếu, Tống Văn Vạn, Bùi Trọng Tùng, Trần Quang Đức, Nguyễn Linh Giang
Trường Đại học Bách khoa Hà Nội
Tác giả liên hệ: Nguyễn Linh Giang, giangnl@soict.hust.edu.vn
Ngày nhận bài: 15/07/2017, ngày sửa chữa: 15/12/2017, ngày duyệt đăng: 25/12/2018
Xem sớm trực tuyến: 28/12/2018, định danh DOI: 10.32913/rd-ict.vol3.no40.528
Biên tập lĩnh vực điều phối phản biện và quyết định nhận đăng: PGS. TS. Nguyễn Nam Hoàng
Tóm tắt: Phần lớn botnet sử dụng cơ chế sinh tên miền tự động (DGA: Domain Generation Algorithms) để kết nối và
nhận lệnh từ máy chủ điều khiển. Việc tìm ra dạng DGA botnet thực hiện qua xác định cách thức tạo sinh tên miền đặc
trưng cho loại botnet đó dựa trên những phân tích đặc trưng tên miền thu thập từ các truy vấn DNS. Trong bài báo này
chúng tôi đề xuất phương pháp phân tích tên miền và phát hiện DGA botnet dựa trên sự kết hợp mạng LSTM (Long
Short-Term Memory) với các đặc trưng thống kê như độ dài, entropy, mức độ ý nghĩa của tên miền nhằm tăng khả năng
khái quát hóa cho mạng LSTM. Phương pháp đề xuất được thử nghiệm và đánh giá trên bộ dữ liệu tên miền thu thập
trong thực tế bao gồm một triệu tên miền Alexa và hơn 750 nghìn tên miền được sinh bởi 37 loại DGA botnet. Kết quả
thử nghiệm đã chứng minh tính hiệu quả của phương pháp đề xuất trong cả hai trường hợp phân loại hai lớp và phân loại
đa lớp, với giá trị macro-averaging F1-score cao hơn 5% và nhận biết thêm được 3 loại DGA so với phương pháp phát
hiện DGA botnet dựa trên mạng LSTM truyền thống.
Từ khóa: Phát hiện DGA botnet, LSTM, phát hiện tấn công mạng, an ninh mạng.
Title: A Method to Improve LSTM using Statistical Features for DGA Botnet Detection
Abstract: Recently, botnets have been the main mean for phishing, spamming, and launching Distributed Denial of Service
attacks. Most bots today use Domain Generation Algorithms (DGA) (also known as domain fluxing) to construct a
resilient Command and Control (C&C) infrastructure. Reverse Engineering has become the prominent approach to
combat botnets. It however needs a malware sample that is not always possible in practice. This paper presents an
extended version of the Long Short-Term Memory (LSTM) network, where the original algorithm is coupled with other
statistical features, namely meaningful character ratio, entropy, and length of the domain names to further improve its
generalization capability. Experiments are carried out on a real-world collected dataset that contains one non-DGA
and 37 DGA malware families. They demonstrated that the new method is able to work on both binary and multi-
class tasks. It also produces at least 5% macro-averaging F1-score improvement as compared to other state-of-the-art
detection techniques while helping to recognize 3 additional DGA families.
Keywords: DGA Botnet, NXDomain, Recurrent Neural Network, Long Short-Term Memory Network.
I. GIỚI THIỆU
Botnet là một mạng máy tính trong đó mỗi máy tính trong
mạng bị lây nhiễm mã độc và được coi là một bot [1].
Phần lớn botnet ngày nay đều được xây dựng trên cơ sở
cơ chế sinh tên miền tự động (DGA: Domain Generation
Algorithms), trong đó bot tự động sinh ra một số lượng
lớn tên miền và sử dụng một tập con để kết nối với máy
chủ điều khiển (C&C: Command and Control). Điểm mạnh
của DGA là nếu địa chỉ của C&C bị phát hiện và chặn tất
cả kết nối đến địa chỉ này, mạng botnet không hoàn toàn
bị loại bỏ [1–3]. Khi đó, bot vẫn có thể nhận lệnh điều
khiển thông qua việc ánh xạ địa chỉ IP với một tập tên
miền mới được sinh ra. Cách phát hiện botnet truyền thống
là sử dụng kỹ thuật dịch ngược mã nguồn. Tuy nhiên quá
trình dịch ngược đòi hỏi nhiều thời gian, công sức, trong
khi danh sách các địa chỉ phải được cập nhật một cách
thường xuyên.
Davuth và Kim trong công trình [2] đã đề xuất cơ chế
phân loại tên miền sử dụng đặc trưng bi-gram và các
thuật toán học máy vector hỗ trợ (SVM: Support Vector
Machines). Kwon và cộng sự trong công trình [3] đã đề
xuất PsyBoG, một cơ chế phát hiện DGA botnet dựa vào
biểu hiện, các đặc trưng thu được từ người dùng từ lưu
lượng DNS và cho phép triển khai trong môi trường dữ
33
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
liệu lớn. Grill và các cộng sự trong công trình [4] đã đề
xuất một phương pháp phát hiện DGA botnet dựa vào số
lượng truy vấn DNS, địa chỉ IP và khoảng thời gian truy
vấn. Mowbray và Hagen trong công trình [5] đã đề xuất cơ
chế phát hiện DGA botnet dựa vào phân phối về độ dài của
tên miền. Schiavoni và các cộng sự trong công trình [6] đã
sử dụng khoảng cách Mahalanobis. Tuy nhiên, các phương
pháp trên lại khó triển khai thời gian thực và khó có thể
tích hợp vào các hệ thống phát hiện DGA botnet thực tế.
Antonakakis và các cộng sự trong công trình [7] đã trích
rút ra các đặc trưng của tên miền, sau đó sử dụng mô hình
Markov ẩn (HMM: Hidden Markov Model) để phân loại
thành tên miền DGA và non-DGA. Perdisci và các cộng
sự trong công trình [8] đã sử dụng các đặc trưng trích rút
từ lưu lượng DNS và áp dụng thuật toán học máy C4.5 để
phân loại. Woodbridge và các cộng sự trong công trình [9]
đã đề xuất cơ chế phát hiện DGA botnet sử dụng mạng
LSTM (Long Short-Term Memory network), tuy nhiên do
chỉ sử dụng tên miền nên hiệu quả phát hiện không cao.
Trong các công trình [1, 10, 11], nhóm tác giả cũng
đề xuất phương pháp phát hiện DGA botnet sử dụng đặc
trưng ngữ nghĩa, đặc trưng thống kê, áp dụng các phương
pháp phân cụm dựa trên mật độ DBSCAN, lọc cộng tác
(collaborative filtering) và map-reduce để tính độ tương
hợp giữa các hành vi của các máy trạm, K-means và biến
thể của khoảng cách Mahalanobis. Tuy nhiên những cách
tiếp cận này này thường chỉ hiệu quả với một hoặc một số
kiểu DGA botnet nhất định.
Những công trình nghiên cứu về DGA nói trên phần lớn
đều tập trung vào một hoặc một vài đặc trưng trích rút ra
từ tên miền. Bên cạnh đó, việc thử nghiệm cũng chỉ được
tiến hành trên tập dữ liệu nhỏ nên rất khó đánh giá chính
xác khả năng phát hiện botnet của hệ thống. Từ những nhận
xét trên, chúng tôi đề xuất phương pháp mới sử dụng kết
hợp mạng LSTM với các đặc trưng thống kê. Phương pháp
này về cơ bản đã được thay đổi và cải tiến phương pháp
do Woodbridge đề xuất trong [9]. Phương pháp đề xuất sử
dụng mạng LSTM nhằm trích rút ra các đặc trưng nội hàm
của tên miền và các đặc trưng này sẽ được sử dụng để tạo
ra vec-tơ đặc trưng đại diện cho tên miền. Các đặc trưng
nội hàm được trích rút sử dụng mạng LSTM nên sẽ giúp
cho quá trình phát hiện DGA botnet hiệu quả hơn, điều này
đã được chứng minh dựa vào kết quả thực nghiệm trong
mục IV của bài báo này.
Những đóng góp trong bài báo được được trình bày cụ
thể như sau. Thứ nhất là chúng tôi sử dụng thêm các đặc
trưng thống kê từ tên miền đầu vào. Các công trình nghiên
cứu [6, 9–12] đều đề cập các đặc trưng này và đã chứng
minh tính hiệu quả của chúng trong phát hiện một số dạng
DGA botnet nhất định. Vì vậy, đặc trưng thống kê có thể
được sử dụng kết hợp nhằm nâng cao tỷ lệ phát hiện đúng
của mạng LSTM truyền thống. Thứ hai là chúng tôi sử dụng
bộ dữ liệu gồm 37 mẫu DGA được thu thập từ một tổ chức
an ninh mạng uy tín [13]. Số lượng tên miền của mỗi dạng
mã độc khác nhau phản ánh đúng mức độ xuất hiện của
chúng trong thực tế. Qua thực nghiệm, chúng tôi thấy rằng
phương pháp đề xuất cho kết quả tốt hơn so với phương
pháp gốc của Woodbridge với mức tăng macro-averaging
F1-score khoảng 5%. Nó cũng cho phép phát hiện thêm 3
mẫu mã độc mới mà mạng LSTM bình thường không tìm
ra. Thông thường hệ thống phát hiện DGA botnet dựa trên
tên miền gồm ba pha chính: pha tiền xử lí để trích rút ra tên
miền và các đặc trưng, pha thuật toán phát hiện và pha cảnh
báo. Phương pháp của chúng tôi có thể được triển khai tại
pha thứ hai. Với thời gian trích rút các đặc trưng thống kê
tương đối nhỏ, nó hoàn toàn phù hợp để xây dựng hệ thống
IDPS (Intrusion Detection and Protection System) với độ
chính xác cao và hỗ trợ phát hiện DGA thời gian thực.
Bài báo gồm ba mục chính sau. Mục III trình bày về các
kiến thức cơ sở mạng LSTM và một số đặc trưng thống kê
của tên miền sử dụng trong bài báo. Trong mục III, chúng
tôi đề xuất phương pháp kết hợp LSTM truyền thống với
các đặc trưng như độ dài, entropy và mức độ ý nghĩa của
tên miền trong phát hiện DGA botnet. Mục IV trình bày
về các kết quả thử nghiệm, nhận xét và đánh giá.
II. KIẾN THỨC CƠ SỞ
1. Mạng LSTM
Mạng LSTM [14–17] là một dạng mạng nơ-ron hồi quy
(RNN: Recurrent Neural Network), thường được sử dụng
trong các bài toán xác định quan hệ giữa các thành phần
của một chuỗi thời gian. Đối với RNN, đầu ra tại một lớp
không chỉ dựa vào đầu vào ở thời điểm hiện tại mà còn
phụ thuộc vào đầu ra ở thời điểm trong quá khứ. RNN cho
phép lưu trữ trạng thái của các nút mạng, do đó chuỗi thao
tác của nó có thể khá lớn, dẫn đến kết quả đầu ra có thể
bị suy giảm theo hàm mũ. Mạng LSTM được đề xuất và
đưa ra nhằm giải quyết vấn đề này của RNN.
Mạng LSTM thường có ba dạng là mạng LSTM truyền
thống (Traditional LSTM Network), mạng LSTM khe hẹp
(Peephole LSTM Network) và mạng LSTM tích chập
(Convolutional LSTM Network), tuy nhiên trong phạm vi
của bài báo này, chúng tôi chỉ sử dụng và trình bày về cơ
chế của mạng LSTM truyền thống. Cấu trúc LSTM được
mô tả trong hình 1 với các tham số:
yϕ = σg(Wϕ zϕ +Uϕ yc + bϕ), (1)
yin = σg(Winzin +Uinyc + bin), (2)
yout = σg(Woutzout +Uoutyc + bout), (3)
sc = scyq + yinσc(Wszc +Usyc + bs), (4)
yc = youtσc(sc). (5)
34
Tập V-3, Số 40, 12.2018
Output gating 
Output squashing 
sc=scyφ+gyin 
Memorizing & Forgetting 
Input gating 
Input squashing 
 win, zin 
g yout 
h(sc) 
wφ, zφ 
 wout, zout 
yc 
g(zc) 
g yin 
wc, zc 
Embedding layer 
Implicit features 
Input domain (d) Feature Extraction 
LSTM layer 
Sigmoid/Softmax 
Dense layer 
Dense layer 
Output probability 
length(d), E(d), M(d) 
Hình 1. Cấu trúc một ô nhớ của mạng LSTM truyền thống.
Tại một thời điểm, với vector đầu vào zin, zout và zϕ sau
khi qua Input Gate, Output Gate và Forget Gate sẽ thu được
đầu ra là các vector yin, yout và yϕ . Các công thức (1), (2)
và (3) thể hiện quá trình biến đổi từ đầu vào thành đầu ra
ở các cổng, trong đó W , U và b là các ma trận và vector
tham số. Vector trạng thái sc được tính theo công thức (4),
sau đó vector đầu ra yc được tính theo công thức (5). Các
hàm σg và σc trong các biểu thức trên lần lượt là các hàm
sigmoid và hàm hyperbolic tanh [18, 19].
2. Các đặc trưng thống kê
Trong bài báo, chúng tôi sử dụng thêm với mạng LSTM
ba đặc trưng gồm độ dài, entropy và mức độ ý nghĩa của
tên miền. Hình 2 thể hiện giá trị của các đặc trưng được
tính toán từ 1.000 mẫu thuộc hai lớp Alexa (non-DGA) và
PT Goz (DGA).
Độ dài là số kí tự trong tên miền đó. Tên miền do DGA
botnet sinh ra thường có độ dài lớn hơn so với tên miền
bình thường. Từ hình 2(a), ta thấy độ dài của tên miền bình
thường nằm trong khoảng từ 5 đến 15 ký tự và thường khác
biệt so với tên miền DGA (lớn hơn hoặc bằng 20 ký tự).
Entropy xác định độ bất định của một tên miền. Với tên
miền d, entropy E(d) được cho bởi
E(d) = −
|p |∑
i=1
index(t)
N
log
(
index(t)
N
)
, (6)
với index(t) là số lượng của kí tự t trong tập tên miền, |p|
là số lượng ký tự phân biệt trong tên miền và N là số ký
tự của tập tên miền. Hình 2(b) cho thấy sự khác nhau giữa
0 200 400 600 800 1000
0
10
20
30
non-DGA
DGA
0 200 400 600 800 10000
1
2
3
4
non-DGA
DGA
0 200 400 600 800 1000
0
0.5
1
non-DGA
DGA
(a)
0 200 400 600 800 1000
0
10
20
30
non-DGA
DGA
0 200 400 600 800 10000
1
2
3
4
non-DGA
DGA
0 200 400 600 800 1000
0
0.5
1
non-DGA
DGA
(b)
0 200 400 600 800 1000
0
1
2
3
non-DGA
DGA
0 200 400 600 800 10000
1
2
3
4
non-DGA
DGA
0 200 400 600 800 1000
0
0.5
1
non-DGA
DGA
(c)
Hình 2. Khả năng phân biệt tên miền bình thường và tên miền
DGA của các đặc trưng (a) độ dài, (b) entropy và (c) mức độ
ý nghĩa.
entropy của tên miền bình thường và tên miền do DGA
sinh ra. Tên miền bình thường có dải entropy khá rộng từ
1,5 đến 3,4, còn đối với một mẫu DGA, entropy thường
lớn hơn và có dải phân bố hẹp từ 3,7 đến 4,3.
Mức độ ý nghĩa của tên miền đặc trưng cho mức độ có
ý nghĩa của các cụm n-gram [20] có trong tên miền. Tên
miền được chia thành các cụm w(i) có độ dài lớn hơn hoặc
bằng 3. Với tên miền d, mức độ ý nghĩa R được cho bởi
M(d) =
∑n
i=1 len(w(i))
p
, (7)
trong đó p là độ dài của tên miền d, n là số từ có ý nghĩa
trong tên miền. Ví dụ, đối với chuỗi kí tự “stackoverflow”,
mức độ ý nghĩa R được tính là
M(d) = len(|stack |) + len(|over |) + len(| f low |)
13
= 1.
35
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Output gating 
Output squashing 
sc=scyφ+gyin 
Memorizing & Forgetting 
Input gating 
Input squashing 
 win, zin 
g yout 
h(sc) 
wφ, zφ 
 wout, zout 
yc 
g(zc) 
g yin 
wc, zc 
Embedding layer 
Implicit features 
Input domain (d) Feature Extraction 
LSTM layer 
Sigmoid/Softmax 
Dense layer 
Dense layer 
Output probability 
length(d), E(d), M(d) 
Hình 3. Sơ đồ phương pháp phát hiện DGA botnet sử dụng mạng
LSTM truyền thống kết hợp với các đặc trưng thống kê.
Hình 2(c) minh họa sự khác nhau giữa mức độ ý nghĩa
của tên miền bình thường và tên miền do DGA sinh ra.
Đối với tên miền bình thường M thường nằm khoảng 0,8
đến 1. Tên miền DGA thường có mức độ ý nghĩa nhỏ hơn
do các ký tự được ghép một cách ngẫu nhiên theo hàm mật
độ phân bố đều.
Qua thực nghiệm chúng tôi nhận thấy các đặc trưng thống
kê hỗ trợ khá tốt cho quá trình phân loại tên miền. Đây là
những đặc trưng độc lập với những đặc trưng nội hàm được
trích chọn trong quá trình huấn luyện mạng LSTM.
III. PHƯƠNG PHÁP PHÁT HIỆN DGA BOTNET
ĐỀ XUẤT
Phần này đề xuất phương pháp phát hiện DGA botnet
bằng mạng LSTM kết hợp với các đặc trưng thống kê của
tên miền. Sơ đồ chung của phương pháp được mô tả trong
hình 3. Những đặc trưng thống kê của tên miền được xác
định trong mô-đun Feature Extraction.
Đối với LSTM, chuỗi tên miền đầu vào trước hết được
chuẩn hóa về dạng số với giá trị 0 được bổ sung để đảm bảo
chúng có cùng độ dài l. Tại tầng Embedding, tên miền sẽ
được biến đổi thành tập vector Vd×l với d = 128 là tham số
đại diện cho mạng LSTM. Giá trị của tham số d được xác
định dựa trên thực nghiệm và chúng tôi nhận thấy rằng việc
tăng giá trị của d không làm ảnh hưởng quá nhiều đến kết
quả đầu ra, nhưng lại làm tăng khối lượng tính toán. Trong
bài báo này, chúng tôi sử dụng mạng LSTM với 128 ô nhớ.
Cấu trúc mỗi ô nhớ được biểu diễn như hình 1. LSTM đóng
vai trò quan trọng để trích chọn ra các đặc trưng nội hàm
được biểu diễn dưới dạng vector đặc tả mối liên hệ giữa
các ký tự trong một tên miền. Đặc trưng nội hàm tương
tự như n-gram được đề cập tại rất nhiều công trình, chẳng
hạn [20], và cho kết quả phân loại tốt hơn mà không yêu
cầu nhiều thời gian tính toán, trích chọn và xử lý [9].
Trong mô hình đề xuất, đặc trưng nội hàm kết hợp với
đặc trưng thống kê được đưa qua tầng nén (dense layer)
để làm mượt và tăng độ chính xác. Tầng nén là tầng kết
nối đầy đủ (fully con ... 0,4278
bedep 0,006 0 0,8608 0,788 0,1471 0 0,2588 0,347 0,0115 0 0,3965 0,5621
matsnu 0 0,08 0 0 0 0,0435 0 0 0 0,0563 0 0
PT Goz 0,9811 0,9091 0,9958 0,9983 0,6682 1 0,9994 0,9992 0,795 0,9524 0,9976 0,9986
necurs 0,0244 0 0,4673 0,4535 0,0729 0 0,0583 0,0921 0,0366 0 0,1036 0,2157
pushdo 0,0036 0,1071 0,8806 0,7209 0,2353 0,0268 0,1706 0,2941 0,0071 0,0429 0,2744 0,4921
cryptolocker 0,0163 0,6406 0 0,0643 0,6917 0,5538 0 0,05 0,0318 0,594 0 0,0086
dircrypt 0,0017 0 0 0 0,0909 0 0 0 0,0034 0 0 0
shifu 0,025 0,2222 0,4064 0,3115 1 0,2 0,3064 0,2894 0,0489 0,2105 0,3416 0,2727
bamital 0,6316 0,4839 0,7833 1 1 0,5797 0,55 0,7333 0,7742 0,5275 0,6366 0,8602
kraken 0,0041 0,4545 0,1666 0,1765 0,0196 0,4545 0,0039 0,0235 0,0068 0,4545 0,0076 0,0519
nymaim 0,0085 0,3062 0,2875 0,2862 0,225 0,39 0,004 0,0566 0,0165 0,3431 0,0692 0,184
shiotob 0,2404 0,4767 0,9114 0,9239 0,2749 0,3761 0,8845 0,8908 0,2565 0,4205 0,8976 0,9119
W32.Virut 0,0035 0,4403 0 0 1 0.2439 0 0 0,007 0,3139 0 0
Micro-
averaging
0,8085 0,8652 0,9193 0,9208 0,0782 0,8854 0,9315 0,9325 0,0964 0,8735 0,9201 0,9224
Macro-
averaging
0,1808 0,315 0,4672 0,497 0,351 0,3031 0,3583 0,4065 0,1291 0,3015 0,3816 0,4417
39
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
0,1%. Đặc biệt, LSTM kết hợp với đặc trưng thống kế cho
kết quả tốt nhất với AUC = 0,99702.
5. Phân loại đa lớp
Quá trình này nhằm phân loại và phát hiện kiểu mã độc
sinh ra tên miền được xác định là DGA. Bảng III cho chúng
ta thấy rõ hơn các giá trị Precision, Recall và F1-score ứng
với từng DGA botnet với hai phương diện micro và macro.
Phương pháp sử dụng HMM có tỉ lệ phát hiện thấp hơn rất
nhiều so với kỳ vọng. Điều này chứng minh HMM không
hiệu quả khi áp dụng trên tập dữ liệu lớn với nhiều mẫu
DGA khác nhau. Độ chính xác của C5.0 kém hơn so với
hai phương pháp sử dụng mạng LSTM. Phương pháp đề
xuất có tỷ lệ phát hiện cao nhất, điều này có thể dễ dàng
nhìn thấy dựa vào giá trị trung bình của F1-score, Precision
và Recall. Bên cạnh đó, phương pháp đề xuất còn phát hiện
thêm 3 mẫu DGA botnet: qadars, corebot và cryptolocker.
Trong số 27 mẫu DGA botnet mà phương pháp đề xuất
có thể phát hiện được, có nhiều mẫu có số lượng phần tử
khá ít (dưới 50 tên miền) như beebone, padcrypt, volatile,
qadars, corebot và bamital. Trong đó, một số mẫu có tỷ
lệ Recall trên 99%. Tương tự như HMM, C5.0 và LSTM,
phương pháp đề xuất có tỷ lệ phát hiện rất thấp hoặc không
phát hiện được mẫu DGA (suppobox, matsnu, cryptowall)
có cách đặt tên giống bình thường với nhiều cụm từ có ý
nghĩa được trích rút trực tiếp từ từ điển (thường là tiếng
Anh). Tuy vậy, phương pháp của chúng tôi lại có thể phát
hiện những tên miền của beebone (F1-score = 0,9119).
Phần lớn những mẫu DGA botnet không phát hiện được
là những mẫu DGA có số lượng phần tử khá ít chỉ vài chục
tên miền. Lượng dữ liệu này không đủ đáp ứng, ảnh hưởng
đến quá trính huấn luyện để trích rút ra vector đặc trưng
cho tên miền. Những mẫu này thường bị phát hiện sai thành
dạng DGA khác khiến tỷ lệ Recall trong kịch bản đa lớp
kém hơn so với kịch bản hai lớp.
Hình 6 sẽ cho thấy rõ hơn về ma trận nhầm lẫn (confusion
matrix) của phương pháp do chúng tôi đề xuất. Trục hoành
ứng với giá trị thực tế của các lớp tên miền, trục tung ứng
với giá trị được dự đoán của các lớp tên miền. Dải màu
được sử dụng là dải màu đen trắng, màu càng nhạt ứng
với số lượng càng ít và màu càng đậm ứng với số lượng
càng nhiều tên miền. Số lượng tên miền đã được chuẩn
hóa về dải có phạm vi từ 0 đến 1. Các mẫu DGA botnet
chủ yếu bị phân loại sai thành ramnit và alexa. Trong tập
dữ liệu thử nghiệm, có 22 mẫu DGA botnet bị nhận thành
ramnit. Nhiều mẫu DGA botnet có tỉ lệ tên miền bị nhận
sai khá lớn như geodo, ranbyus, locky, tempedreve, necurs
và cryptolocker.
Số lượng tên miền bị phân loại sai thành alexa là lớn
nhất, gồm 26 mẫu trong đó có nhiều mẫu DGA botnet
ge
od
o 
be
eb
on
e 
m
ur
of
et
py
ks
pa
pa
dc
ry
pt
ra
m
ni
t 
vo
la
til
e 
ra
nb
yu
s 
qa
kb
ot
si
m
da
ra
m
do
su
pp
ob
ox
lo
ck
y 
te
m
pe
dr
ev
e 
qa
kd
ar
s 
sy
m
m
i 
ba
nj
or
i 
tin
ba
he
sp
er
bo
t 
fo
bb
er
A
le
xa
dy
re
cr
yp
to
w
al
l 
co
re
bo
t 
P 
de
de
p 
m
at
sn
u 
PT
 G
oz
ne
cu
rs
pu
sh
do
cr
yp
to
lo
ck
er
di
rc
ry
pt
sh
ifu
ba
m
ita
l 
kr
ak
en
ny
m
ai
m
sh
io
to
b 
W
32
.V
ir
ut
geodo 
beebone 
murofet 
pykspa 
padcrypt 
ramnit 
volatile 
ranbyus 
qakbot 
simda 
ramdo 
suppobox 
locky 
tempedreve 
qakdars 
symmi 
banjori 
tinba 
hesperbot 
fobber 
Alexa 
dyre 
cryptowall 
corebot 
P 
dedep 
matsnu 
PT Goz 
necurs 
pushdo 
cryptolocker
dircrypt 
shifu 
bamital 
kraken 
nymaim 
shiotob 
W32.Virut 
Hình 6. Ma trận nhầm lẫn của phương pháp sử dụng mạng LSTM
kết hợp với đặc trưng thống kê.
có tỉ lệ bị phân loại nhầm khá lớn như suppobox, symmi,
cryptowall, matsnu và W32.Virut.
Một điểm chú ý nữa đó là có 3 mẫu DGA botnet mà
cả bốn phương pháp đều không thể phát hiện được là
suppobox, fobber và cryptowall. Trong số đó, suppobox và
cryptowall bị phân loại sai thành alexa, trong khi fobber
bị phân loại sai thành ramnit. Từ các hình 7 (a)-(c) chúng
ta có thể thấy rằng phân phối mật độ các ký tự [20] của
suppobox và cryptowall khá giống so với phân phối của
alexa. Trong thực tế, tên miền do suppobox và cryptowall
sinh ra gồm cụm từ có ý nghĩa giống nên dễ bị phân loại
sai thành alexa. Từ các hình 7 (d)-(e) chúng ra còn có thể
thấy phân phối mật độ các ký tự của fobber và ramnit là
như nhau, nhưng do số lượng tên miền của ramnit trong
tập dữ liệu nhiều hơn nên những tên miền của fobber rất
dễ bị phân loại sai thành tên miền của ramnit.
V. KẾT LUẬN
Bài báo đề xuất phương pháp phát hiện DGA botnet sử
dụng mạng LSTM kết hợp với đặc trưng thống kê. Bằng
thực nghiệm, chúng tôi đã chứng minh tính hiệu quả của
phương pháp đề xuất so với một số thuật toán phổ biến như
HMM, C5.0 và mạng LSTM truyền thống.
Từ bảng IV, chúng tôi nhận thấy một số DGA rất khó
phát hiện. Nguyên nhân là do số lượng mẫu của DGA đó
quá ít (dưới 100) so với tên miền bình thường (non-DGA)
hoặc DGA khác. Đây là vấn đề dữ liệu không đồng đều và
hay gặp trong các bài toán xử lý dữ liệu lớn. Trong tương
40
Tập V-3, Số 40, 12.2018
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
(a) 
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
(b)
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
(c)
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2 (d)
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
0 1 2 3 4 5 6 7 8 9 a b c d e f g h i j k l m n o p q r s t u v w x y z0
0.1
0.2
(e)
Hình 7. Phân phối unigram của (a) alexa, (b) cryptowall, (c)
suppobox, (d) fobber và (e) ramnit.
lai, chúng tôi sẽ triển khai các giải pháp để giải quyết vấn
đề trên. Mục tiêu là nâng cao tỷ lệ phát hiện đúng DGA và
giảm tỷ lệ cảnh báo sai khi hệ thống được triển khai trong
thực tế.
LỜI CẢM ƠN
Các nghiên cứu trong bài báo này được tài trợ từ Chương
trình KH&CN trọng điểm cấp quốc gia KC.01/16-20 với đề
tài “Nghiên cứu, phát triển tích hợp hệ thống hỗ trợ giám
sát, quản lý, vận hành an toàn cho hệ thống mạng và hạ tầng
cung cấp dịch vụ công trực tuyến”, mã số KC.01.01/16-20.
TÀI LIỆU THAM KHẢO
[1] Tống Văn Vạn, Nguyễn Linh Giang, and Trần Quang Đức,
“Phân loại tên miền sử dụng các đặc trưng ngữ nghĩa
trong phát hiện DGA Botnet,” Research and Development
on Information and Communication Technology, vol. 11, pp.
57–62, 2016.
[2] N. Davuth and S.-R. Kim, “Classification of malicious
domain names using support vector machine and bi-gram
method,” International Journal of Security and Its Applica-
tions, vol. 7, no. 1, pp. 51–58, 2013.
[3] J. Kwon, J. Lee, H. Lee, and A. Perrig, “PsyBoG: A scal-
able botnet detection method for large-scale DNS traffic,”
Computer Networks, vol. 97, pp. 48–73, 2016.
[4] M. Grill, I. Nikolaev, V. Valeros, and M. Rehak, “Detect-
ing DGA malware using NetFlow,” in Proceedings of the
IFIP/IEEE International Symposium on Integrated Network
Management (IM), 2015, pp. 1304–1309.
[5] M. Mowbray and J. Hagen, “Finding domain-generation
algorithms by looking at length distribution,” in Proceedings
of the IEEE International Symposium on Software Reliability
Engineering Workshops, 2014, pp. 395–400.
[6] S. Schiavoni, F. Maggi, L. Cavallaro, and S. Zanero,
“Phoenix: Dga-based botnet tracking and intelligence,” in
Proceedings of the International Conference on Detection
of Intrusions and Malware, and Vulnerability Assessment.
Springer, 2014, pp. 192–211.
[7] M. Antonakakis, R. Perdisci, Y. Nadji, N. Vasiloglou,
S. Abu-Nimeh, W. Lee, and D. Dagon, “From throw-away
traffic to bots: detecting the rise of dga-based malware,”
in Proceedings of the 21st {USENIX} Security Symposium
({USENIX} Security 12), 2012, pp. 491–506.
[8] R. Perdisci, I. Corona, and G. Giacinto, “Early detection of
malicious flux networks via large-scale passive DNS traffic
analysis,” IEEE Transactions on Dependable and Secure
Computing, vol. 9, no. 5, pp. 714–726, 2012.
[9] J. Woodbridge, H. S. Anderson, A. Ahuja, and D. Grant,
“Predicting domain generation algorithms with long short-
term memory networks,” arXiv preprint arXiv:1611.00791,
2016.
[10] V. Tong and G. Nguyen, “A method for detecting DGA
botnet based on semantic and cluster analysis,” in Pro-
ceedings of the Seventh Symposium on Information and
Communication Technology. ACM, 2016, pp. 272–277.
[11] T.-D. Nguyen, T.-D. Cao, and L.-G. Nguyen, “DGA bot-
net detection using collaborative filtering and density-based
clustering,” in Proceedings of the Sixth International Sym-
posium on Information and Communication Technology.
ACM, 2015, pp. 203–209.
[12] H. Zhang, M. Gharaibeh, S. Thanasoulas, and C. Papadopou-
los, “BotDigger: Detecting DGA Bots in a Single Network,”
Computer Science Technical Report, Tech. Rep., 2016.
[13] Osint DGA Feed. [Online]. Available: https://osint.
bambenekconsulting.com/feeds/
[14] T. Robinson, “An application of recurrent nets to phone prob-
ability estimation,” IEEE Transactions on Neural Networks,
vol. 5, no. 2, 1994.
[15] T. Mikolov, M. Karafiát, L. Burget, J. Cˇernockỳ, and S. Khu-
danpur, “Recurrent neural network based language model,”
in Proceedings of the Eleventh Annual Conference of the
International Speech Communication Association, 2010.
[16] S. Hochreiter and J. Schmidhuber, “Long short-term mem-
ory,” Neural computation, vol. 9, no. 8, pp. 1735–1780,
1997.
[17] F. Gers, J. Schmidhuber, and F. Cummins, “Learning to for-
get: continual prediction with LSTM,” Neural computation,
vol. 12, no. 10, pp. 2451–2471, 2000.
[18] J. Han and C. Moraga, “The influence of the sigmoid func-
tion parameters on the speed of backpropagation learning,”
in International Workshop on Artificial Neural Networks.
Springer, 1995, pp. 195–201.
[19] G. F. Becker, Hyperbolic functions, 1931.
41
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
[20] P. F. Brown, P. V. Desouza, R. L. Mercer, V. J. D. Pietra, and
J. C. Lai, “Class-based n-gram models of natural language,”
Computational Linguistics, vol. 18, no. 4, pp. 467–479,
1992.
[21] L. van der Maaten and G. Hinton, “Visualizing data using
t-SNE,” Journal of Machine Learning Research, vol. 9, no.
Nov, pp. 2579–2605, 2008.
[22] Alexa. [Online]. Available: 
[23] T.-S. Wang, C.-S. Lin, and H.-T. Lin, “DGA botnet detection
utilizing social network analysis,” in Proceedings of the In-
ternational Symposium on Computer, Consumer and Control
(IS3C). IEEE, 2016, pp. 333–336.
[24] D.-F. Xia, S.-L. Xu, and F. Qi, “A proof of the arithmetic
mean-geometric mean-harmonic mean inequalities,” RGMIA
Research Report Collection, vol. 2, no. 1, 1999.
Mạc Đình Hiếu nhận bằng kỹ sư và thạc
sĩ tại Trường Đại học Bách khoa Hà Nội
vào các năm 2014 và 2016. Hiện nay, tác
giả đang là nghiên cứu sinh, chuyên ngành
Mạng máy tính và Truyền thông dữ liệu tại
Trường Đại học Bách khoa Hà Nội. Lĩnh
vực quan tâm nghiên cứu của tác giả là an
toàn bảo mật thông tin và IoT.
Tống Văn Vạn nhận bằng kỹ sư tại Trường
Đại học Bách khoa Hà Nội vào năm 2017.
Lĩnh vực quan tâm nghiên cứu của tác giả
là an ninh mạng, an toàn bảo mật thông tin
và IoT.
Bùi Trọng Tùng nhận bằng kỹ sư và thạc
sĩ tại Trường Đại học Bách khoa Hà Nội
vào các năm 2008 và 2010. Hiện nay, tác
giả là giảng viên Viện Công nghệ Thông tin
và Truyền thông và là cán bộ kiêm nhiệm
tại Trung tâm An toàn an ninh thông tin,
Trường Đại học Bách khoa Hà Nội. Lĩnh
vực quan tâm nghiên cứu của tác giả là an
ninh mạng, an toàn và bảo mật thông tin.
Trần Quang Đức nhận bằng thạc sĩ tại
Trường Đại học Bách khoa Budapest, năm
2008 và bằng tiến sĩ tại Trường Đại học
City University London, Vương Quốc Anh,
năm 2014. Hiện nay, ông là Giám đốc
Trung tâm An toàn an ninh thông tin,
Trường Đại học Bách khoa Hà Nội. Lĩnh
vực quan tâm nghiên cứu của ông là học
máy, nhận dạng, sinh trắc học, an toàn và bảo mật thông tin.
Nguyễn Linh Giang nhận học vị tiến sĩ
chuyên ngành đảm bảo toán học cho máy
tính, năm 1995, tại Cộng hòa Gruzia (Liên
xô cũ). Hiện nay, ông đang công tác tại Bộ
môn Truyền thông và mạng máy tính, Viện
Công nghệ Thông tin và Truyền thông,
Trường Đại học Bách khoa Hà Nội. Lĩnh
vực quan tâm nghiên cứu của ông là các
phương pháp học máy, an ninh mạng và phát hiện tấn công mạng.
42