DGA域名检测

01 · 深度检测模型谱系

字符级深度模型把域名视为字符序列，直接学习“像不像机器生成的”转移概率分布，免去了人工特征设计。代表性工作形成如下谱系：

1.1 为什么深度模型对词典型DGA更有效

第3篇指出词典型DGA（Suppobox）在熵/n-gram统计上与正常域名重叠。字符级深度模型学习的是字符转移概率的完整分布：词典拼接域名虽然“可读”，但其词间转移与词内转移的统计指纹与真实品牌命名仍存在系统性差异——深度模型能捕捉这类高阶模式，因此在该家族上的召回显著优于人工特征。这也是“统计快筛＋深度精判”串联架构的核心依据。

02 · LSTM检测原理详解

以Woodbridge等人的方案为例，LSTM检测器的标准结构为：

• 无需词典与规则：模型自己从数据中学习“随机性”的表征，新家族出现时只要其生成机制接近训练分布即可检出。
• 训练数据要求：需要大规模带家族标注的AGD样本——DGArchive正是为此而生（第5篇）。
• 工程代价：序列模型推理延迟高于CNN与统计特征，解析器全量部署需做缓存与批量推理优化（第6篇）。

03 · 家族归因与类别不平衡

多分类（家族归因）是检测之上的增值能力：它不仅回答“是不是AGD”，还回答“是哪个家族”，直接决定处置策略（TDD可预注册、TDN需行为阻断）。Tran等（Neurocomputing 2018）系统研究了多家族场景下的类别不平衡问题：少数家族样本稀缺，简单训练会导致模型对稀有家族全灭。对策包括：

• 按家族均衡采样与损失重加权（类别频率的反比加权）；
• 数据增强：对稀有家族用DGArchive生成器无限采样合成域名；
• 两级架构：先二分类，再对AGD做家族归因，避免不平衡问题相互干扰；
• “未知”出口：归因模型必须保留未知类别（低置信拒判），防止把新家族强行归入已知家族而误导处置。

04 · 对抗逃逸与防御

深度检测器的广泛应用催生了针对性的逃逸研究，这是“检测—对抗”军备竞赛的主战场：

4.1 防御对策体系

• 对抗训练：将对抗生成样本纳入训练集，提升决策边界鲁棒性；代价是训练成本上升。注意Spooren等的DeceptionDGA研究表明，仅靠“保密特征清单”的白盒防御不可靠，对抗评估必须纳入每次模型发布的常规评测（第5篇复现清单已强制项）。
• 异构集成：统计特征模型、CNN、LSTM的集成显著难于被单一对抗策略击穿——攻击者需同时欺骗三类机制。
• 行为特征冗余：字符级之外的流量特征（查询频率、NXDOMAIN率、源群体）不受字符扰动影响，构成第二道防线（衔接第3篇FANCI思路）。
• 在线再训练：检测到家族分布漂移或误报异常时触发增量训练与灰度发布（见第5、8篇的漂移监控指标）。
• 运营兜底：对高价值阻断动作保留人工复核与回滚机制，避免模型失效造成大面积误伤。

05 · 概念漂移与持续学习

DGA生态持续演化：新家族出现、旧家族更换种子、生成参数微调（Open SESAME记录家族数从43个增至99个即是明证）。模型上线后的主要失效模式不是“指标下降”，而是分布漂移未被发现。本课题要求建立三项监控：

• 输入分布监控：待测域名的字符分布、长度分布、TLD分布与训练基线的偏离度（如PSI统计量），超阈即告警；
• 输出分布监控：每日AGD判定率、家族分布与历史基线对比，突增/突减均可能意味着漂移或攻击面变化；
• 误报漏报回流：RPZ阻断回滚记录、人工复核结论、sinkhole命中情况构成标注回流，驱动季度级再训练与年度级模型重构。

06 · 可解释性与模型治理

在阻断即中断业务的DNS场景，模型决策必须可解释、可申诉：

• 特征归因：树模型天然给出特征重要性；深度模型可用梯度归因（如Integrated Gradients）高亮“哪些字符位置”主导了判定，供分析员复核；
• 家族证据链：归因结果应与DGArchive家族画像（产量、TLD偏好、字符集）交叉验证，不一致时降级置信度；
• 模型版本治理：模型卡（训练数据快照、评测报告、对抗测试结果）随版本归档，重大变更经评审发布，保证决策可追溯。

本篇参考来源（第4篇）

以下均为真实可查的论文（USENIX/IEEE/Springer/arXiv）。