DGA系列之RNN（三）

最新推荐文章于 2022-03-12 12:03:10 发布
最新推荐文章于 2022-03-12 12:03:10 发布
阅读量204 收藏
点赞数
分类专栏： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39936434/article/details/103450562
版权

继上一篇介绍完RNN算法之后，我们现在来进行代码实战

代码实战

这次同样是验证码识别，不同的是上次DNN是tensorflow实现的，而这次是用tflearn框架实验的。

实验步骤
1.DNN的tflearn实现mnist验证码识别
2.RNN的tflearn实现mnist验证码识别
加载数据

在这里插入图片描述

DNN

在这里插入图片描述
DNN算法，这个维度维度是784，这是将所有数据放在一个维度里。
最后softmax分类作为输出层。
在这里插入图片描述
结果输出99%，效果相当不错

RNN

在这里插入图片描述
将784分成28x28，化为连续28个维度为28得特征向量序列

在这里插入图片描述
结果输出95%左右

代码上传到个人github：myRnn.py

吃肉唐僧
关注
专栏目录
使用深度学习检测DGA（demo、初探）
墨痕诉清风的博客
01-29 3091
摘要：DGA(域名生成算法)是一种利用随机字符来生成C&C域名，从而逃避域名黑名单检测的技术手段。例如，一个由Cryptolocker创建的DGA生成域xeogrhxquuubt.com，如果我们的进程尝试其它建立连接，那么我们的机器就可能感染Cryptolocker勒索病毒。 DGA(域名生成算法)是一种利用随机字符来生成C&C域名，从而逃避域名黑名单检测的技术手段。例如，一个由Cryptolocker创建的DGA生成域xeogrhxquuubt.com，如果我们的进程尝试其它建立连接.
知识图谱基础Part2_图数据处理算法与模型
yn_gogo的博客
03-17 2811
一、图概述 1、图是由顶点集合以及顶点之间的关系集合组成的一种数据结构：G=(V,E) 2、分类：有向图（Directed graph）、无向图（Undirected graph） (带权图（weighted graph）\属性图) 3、图数据处理的挑战 （1）结点和边可变大小 （2）结点无序（CNN\RNN） （3）不同结点的局部连接不同 （4）结点之间相互依赖 （...
DGA系列之RNN（一）
吃肉唐僧的博客
01-11 493
这篇博客是对书中《web安全深度学习实战》DGA域名检测RNN的代码进行复现与解释。 实验步骤 获取样本数据 提取特征 将样本划分为训练集和测试集 使用朴素贝叶斯算法在训练集上训练，获得模型数据 使用模型数据在测试集上进行测试 验证RNN算法的结果 获取样本数据 老规矩，加载正常样本和黑样本。 提取特征与划分数据集 训练、预测和验证RNN 将提取出来的特征数据二值化，并定义长度为64，不...
《WEB安全之机器学习入门》笔记
u011311291的博客
01-12 4774
数据集： 1.KDD99 网络流量数据集，有dos,u2r,r21,probe等类行攻击 2.HTTP DATASET CSIC 2010，包含sql注入，缓冲区溢出，信息泄露，文件包含，xss等 3.SEA数据集，记录了UNIX用户的操作指令（例如cpp,sh等命令）。 4.ADFA-LD数据集，用户系统命令数据集 5.Alexa域名数据，提供了全球排名TOP一百万的网站域名。 6.
【深度学习】循环神经网络（RNN）的tensorflow实现
Luqiang_Shi的博客
12-21 2786
【深度学习】循环神经网络（RNN）的tensorflow实现一、循环神经网络原理1.1、RNN的网络结构1.2、RNN的特点1.3、RNN的训练二、循环神经网络的tensorflow实现参考资料 循环神经网络又被成为时间递归神经网络（Recurrent Neural Networks），传统神经网络，每一个时间步隐含层神经元之间没有连接。但RNN中每一个时间步的隐含层输入由当前时间步的输入和上一时...
DGA系列之RNN（二）
吃肉唐僧的博客
01-11 310
继上一篇DGA检测代码涉及到的RNN，我们来挖一挖RNN（循环神经网络） 发展史 在了解这个算法之前，先了解它为何出现。说下个人理解，神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西，DNN存在一些局限性，例如参数数量膨胀，局部最优，梯度消失和无法对时间序列上的变化进行建模。而RNN就是为了解决无法对时间序列上的变化进行建模...
《Web安全之深度学习实战》笔记：第十三章 DGA域名识别
mooyuan的博客
03-12 5708
本小节是讲解DGA域名的识别，在《web安全之机器学习入门》中，曾经通过多节来讲解DGA域名，相关笔记如下： 《Web安全之机器学习入门》笔记：第七章 7.6朴素贝叶斯检测DGA域名_mooyuan的博客-CSDN博客 《Web安全之机器学习入门》笔记：第九章 9.4 支持向量机算法SVM 检测DGA域名_mooyuan的博客-CSDN博客 《Web安全之机器学习入门》笔记：第十章 10.3 K-Means算法检测DGA域名_mooyuan的博客-CSDN博客 通过如上笔记，相信大概也能分析出《we
python恶意域名DGA检测桌面系统,框架：python + tk +CNN 模型+ ＲNN 模型
08-01
python恶意域名DGA检测桌面系统 有人工智能神经网络...分类层采用三层全连接神经网络实现对 DGA 域名的自动预测分类。 实验结果表明，集成检测模型与集成 CNN 模型相比能够有效提高检测效果 数据库设计说明无数据库
python恶意域名DGA检测桌面系统 有人工智能神经网络检测方式 框架：python + tk +CNN 模型+ ＲNN 模型
08-01
python恶意域名DGA检测桌面系统 有人工智能神经网络...分类层采用三层全连接神经网络实现对 DGA 域名的自动预测分类。 实验结果表明，集成检测模型与集成 CNN 模型相比能够有效提高检测效果 数据库设计说明无数据库
基于机器学习和深度学习的恶意域名检测算法DGA
12-13
1. RNN（循环神经网络）与LSTM（长短时记忆网络）：由于DGA域名具有时间序列的特性，RNN和LSTM能捕获序列数据的上下文信息，从而更有效地识别恶意域名。 2. CNN（卷积神经网络）：CNN擅长处理图像和文本数据，可以...
DGA 恶意域名机器学习数据集
08-19
LSTM（Long Short-Term Memory）是一种递归神经网络（RNN）的变体，擅长处理序列数据，如时间序列或文本数据。在DGA域名检测中，LSTM可以学习域名字符串的长期依赖性，以区分正常与恶意域名。而“注意力机制”则是...
基于 LSTM 的 DGA（Domain Generation Algorithms）域名分类，
最新发布
05-22
基于 LSTM 的 DGA（Domain Generation Algorithms）域名分类，TensorFlow + PyTorch 版本LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络（RNN）架构，用于处理具有长期依赖关系的序列数据。传统的RNN在...
模型评估与验证（一）
吃肉唐僧的博客
12-01 3067
​ 最近在搞朴素贝叶斯算法的DGA检测的时候，将网上开源的代码down下来在机子上跑了一下，代码与原理也专研明白了一些。但是有个问题在我心里一直挥之不去，详情如下（若要了解更多可以到我主页看朴素贝叶斯之DGA检测系列博客） 《web安全深度学习实战》的朴素贝叶斯运行结果（为了方便描述以下成为A结果）： 《web安全机器学习入门》的朴素贝叶斯运行结果（为了方便描述以下成为B结果）： ​...
安全之人工智能入门
吃肉唐僧的博客
01-11 1656
前言 ​ 最近需要搞毕业设计，CTF玩耍告一段落。毕设涉及到安全与人工智能领域结合。当初真的一时冲动…当时觉得搞人工智能挺厉害的，没想太多就选了。真开始搞的时候才发现一头雾水 >_< ，之前人工智能是零基础，只用过python写过一些安全脚本，听说人工智能又要学高数，线性代数和概率论三件套，对电脑性能要求高劈里啪啦一大堆的…都是令新手望而止步的一些原因。 ​ 写这个博客也是为了解决...
模型评估与验证（二）
吃肉唐僧的博客
01-11 784
在前面大致了解模型评估与验证在整个流程所处的地位与作用之后，这一次我们来重点学习分类用的指标含义。 1.混淆矩阵 通俗的讲就是： 真实值是positive，模型认为是positive的数量（True Positive=TP） 真实值是positive，模型认为是negative的数量（False Negative=FN） 真实值是negative，模型认为是positive的数量（False P...
DGA系列之朴素贝叶斯（一）
吃肉唐僧的博客
01-11 666
​ 这篇博客是对书中《web安全机器学习入门》DGA域名检测朴素贝叶斯的代码进行复现与解释。 ​ 实验步骤如下： 1. 获取样本数据 2. 提取特征 3. 将样本划分为训练集和测试集 4. 使用朴素贝叶斯算法在训练集上训练，获得模型数据 5. 使用模型数据在测试集上进行测试 6. 验证朴素贝叶斯算法的结果 获取样本数据 ​ 加载正常样本和dga黑样本 ...
DGA系列之MLP（二）
吃肉唐僧的博客
01-11 599
继上一篇DGA深度学习方面的应用之后，我们来深扒一下MLP多层感知机的算法的原理和代码实践 发展史 针对机器学习对深度学习技术的发展过渡，发表一些个人的理解。一开始的机器学习，是基于特征去实现让机器具有识别工作，但需要识别的目标数量变得大的时候，机器学习所需要训练的数量也会变大，而这个人们初期用的方法是在同一个维度的横向扩展（不断地使用特征数据训练），这样的确可以达到高的命中率，构造一个完美的分类...
DGA系列之MLP（一）
吃肉唐僧的博客
01-11 504
这篇博客是对书中《web安全机器学习入门》DGA域名检测XGBoost的代码进行复现与解释。代码大部分与之前我发布的朴素贝叶斯算法的代码差不多。 实验步骤如下： 1. 获取样本数据 2. 提取特征 3. 将样本划分为训练集和测试集 4. 使用朴素贝叶斯算法在训练集上训练，获得模型数据 5. 使用模型数据在测试集上进行测试 6. 验证MLP算法的结果 获取样本数据 老规矩，加载正常样本和黑样本。...
利用IPFS的去中心化恶意软件通信：Hydras与DGA的新战场
论文的重点之一是利用IPFS（星际文件系统）作为恶意软件的一种新型通信和存储渠道。IPFS是一个去中心化的文件存储和分发网络，旨在创建一个持久且分布式的互联网。由于其不断增长的社区支持和区块链存储的潜力，IPFS...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值