一个端到端的框架,用于私人DGA检测作为服务
Ricardo J M Maia1, Dustin Ray2, Sikha Pentyala2
1Department of Computer Science, University of Brasilia, Federal District, Brasília, Brazil.
PloS one
|August 28, 2024
概括
这项研究引入了保护隐私的域生成算法 (DGA) 检测服务的新框架. 它使用安全的多方计算和差异隐私来保护敏感的DNS流量和机器学习模型.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 增强隐私的技术 增强隐私的技术
背景情况:
- 域生成算法 (DGA) 对于恶意软件的指挥和控制至关重要.
- 使用机器学习 (ML) 的现有DGA检测方法在作为服务提供时引发了隐私问题.
- 由于隐私风险,网络管理员犹不决地分享DNS流量.
研究的目的:
- 提出第一个端到端的框架,以保护隐私,将DGA归类为服务.
- 为了实现DGA检测的安全外包,而不泄露DNS数据或ML模型.
- 确保分类结果不会影响培训数据的隐私.
主要方法:
- 结合安全的多方计算 (MPC) 和差异隐私 (DP) 来进行保护隐私的分类.
- 在MPC中使用后培训浮动16对深度学习模型的量化以提高效率.
- 实施一个三方安全计算协议,容忍一个腐败.
主要成果:
- 通过量子化实现了DGA检测的显著加快 (23%至42%的推理运行时间减少).
- 在不损害隐私保障的情况下保持分类准确性.
- 展示了一个端到端的私有解决方案,与以前的方法不同.
结论:
- 拟议的框架为DGA检测作为服务提供了一个安全和高效的解决方案.
- 整合MPC和DP有效地解决了DGA分类中的隐私问题.
- 量子化显著提高了保护隐私的ML模型在网络安全应用中的性能.
