rst Информационно-экономические аспекты стандартизации и технического регулирования Informatsionno-ekonomicheskiye aspekty standartizatsii i tekhnicheskogo regulirovaniya 2311-1348 ФГБУ «Институт стандартизации» UHJPOY 82707605 Research Article Информационные системы и процессы information systems and processes ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОТИВОДЕЙСТВИЯ DGA-УГРОЗАМ В СИСТЕМЕ УПРАВЛЕНИЯ КАЧЕСТВОМ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ ПРЕДПРИЯТИЙ APPLICATION OF MACHINE LEARNING METHODS TO COUNTER DGA THREATS IN THE ENTERPRISE INFORMATION SECURITY QUALITY MANAGEMENT SYSTEM Королев И. А. Korolev I. А.

Королев И. А., Финансовый университет при Правительстве РФ

Москва, Россия

Korolev I. А., Financial University under the Government of the Russian Federation

Moscow, Russia

 Кобелев Е. А. Kobelev E. A.

Кобелев Е. А., Финансовый университет при Правительстве РФ

Москва, Россия

Kobelev E. A., Financial University under the Government of the Russian Federation

Moscow, Russia

 Булгакова Е. В. Bulgakova E. V.

Булгакова Е. В., доцент Московский университет МВД России имени В.Я. Кикотя

Москва, Россия

Bulgakova E. V., Associate Professor Moscow University of the Ministry of Internal Affairs of Russia named after V.Ya. Kikot

Moscow, Russia

 Кубанков А. Н. Kubankov A. N.

Кубанков А. Н., главный научный сотрудник Российский институт стандартизации

Москва, Россия

Kubankov A. N., Chief Researcher Russian Standardization Institute

Moscow, Russia

 Финансовый университет при Правительстве РФ Россия Financial University under the Government of the Russian Federation Russian Federation 2025 114 85 46 55 Copyright © Королев И. А., Кобелев Е. А., Булгакова Е. В., Кубанков А. Н., 2026 2026 Королев И. А., Кобелев Е. А., Булгакова Е. В., Кубанков А. Н. Korolev I. А., Kobelev E. A., Bulgakova E. V., Kubankov A. N. Данная работа распространяется под лицензией Creative Commons Attribution 4.0. https://iea.gostinfo.ru/article/view/35

В данной статье определяется понятие технологии DGA, проводится анализ существующих решений для распознавания её применения. Формируется набор моделей машинного обучения, подходящих для определения зараженных доменов, на основе сравнения и обучения которых разрабатывается нейронная сеть для автоматической классификации данных. Описаны этапы подготовки данных, построения бинарного классификатора и оценки его эффективности. Проведено сравнение моделей Random Forest, Gradient Boosting и Logistic Regression по метрикам точности, полноты, F1-меры и ROC AUC. Результаты показали высокую эффективность при комбинировании методов машинного обучения внутри нейронной сети, особенно с использованием Gradient Boosting. Разработанный алгоритм применим в реальном времени и может быть интегрирован в информационные системы для защиты сетевой инфраструктуры.

This article defines the concept of DGA technology, analyzes existing solutions for recognizing its application, and forms a set of machine learning models suitable for identifying infected domains. Based on the model comparison and training, a neural network is developed for automatic data classification. Methods used: This study focuses on the development and implementation of an algorithm for detecting DGA domains using machine learning models. It describes the binary classifier setup, including feature transformation, model training, and performance interpretation. Results of the study: Three models - Random Forest, Gradient Boosting, and Logistic Regression - were compared. Gradient Boosting showed the best performance (ROC AUC = 0.998). Practical value: The proposed solution is suitable for integration into DNS monitoring systems to enhance information security. The developed algorithm can be applied in real time and integrated into information systems to protect network infrastructure.

 DGA ДОМЕН ХОСТ БОТНЕТ МАШИННОЕ ОБУЧЕНИЕ НЕЙРОННАЯ СЕТЬ БИНАРНАЯ КЛАССИФИКАЦИЯ DGA DOMAIN HOST BOTNET MACHINE LEARNING NEURAL NETWORK BINARY CLASSIFICATION References Галиахметов Д.Г. Сравнение алгоритмов классификации применительно к задаче обнаружения вредоносных доменных имен // Математические методы в технике и технологиях-ММТТ. 2019. Т. 12. С. 190–194. Galiakhmetov D.G. Sravnenie algorytmov classifikacii primenitel’no k zadache obnaruzhenya vredonosnykh domennykh imyon. Matematicheskie metody v tekhnike i tekhnologiyah-MMTT. 2019; 12: 190–194. (In Russ.). Berman D.S., et al. A survey of deep learning methods for cyber security // Information. 2019. Т. 10, № 4. С. 122. Berman D.S., et al. A survey of deep learning methods for cyber security // Information. 2019. Т. 10, № 4. С. 122. Бубнов Я.В., Иванов Н.Н. Обнаружение DGA доменов и предотвращение botnet средствами Q-обучения для POMDP // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2021. Т. 19, № 2. С. 91–99. Bubnov Y.V., Ivanov N.N. Obnaruzheniye DGA domenov i predotvrascheniye botnet sredstvami Q-obucheniya dlya POMDP. Doklady Belorusskogo gosudarstvennogo universiteta informatiki i radioelektroniki. 2021; 19(2): 91–99. (In Russ.). Antonakakis M., Perdisci R. From throw-away traffic to bots: detecting the rise of DGA-based malware // In Proceedings of the 21st USENIX Security Symposium. 2012, pp. 491–506. Antonakakis M., Perdisci R. From throw-away traffic to bots: detecting the rise of DGA-based malware // In Proceedings of the 21st USENIX Security Symposium. 2012, pp. 491–506. Binkley J.R., Singh S. An algorithm for anomaly-based botnet detection // SRUTI. 2006. № 6. pp. 43–48 Binkley J.R., Singh S. An algorithm for anomaly-based botnet detection // SRUTI. 2006. № 6. pp. 43–48 Li Y., Xiong K. Machine Learning Framework for Domain Generation Algorithm-Based Malware Detection // IEEE Access. 2019. C. 32765–32782. Li Y., Xiong K. Machine Learning Framework for Domain Generation Algorithm-Based Malware Detection // IEEE Access. 2019. C. 32765–32782. Alazab M., Tang M. Deep Learning Applications for Cyber Security. Springer Nature Switzerland, 2019. 246 c. Alazab M., Tang M. Deep Learning Applications for Cyber Security. Springer Nature Switzerland, 2019. 246 c. AsSadhan B., Moura J.M.F., Lapsley D., et al. Detecting botnets using command and control traffic // In 2009 8th IEEE International Symposium on Network Computing and Applications. IEEE, 2009. С. 156–162. AsSadhan B., Moura J.M.F., Lapsley D., et al. Detecting botnets using command and control traffic // In 2009 8th IEEE International Symposium on Network Computing and Applications. IEEE, 2009. С. 156–162. Malwarebytes Labs 2019 State of Malware Report. URL: https://resources.malwarebytes.com/files/2019/01/MalwarebytesLabs-2019-State-of Malware- Report-2.pdf (дата обращения:15.05.2025). Malwarebytes Labs 2019 State of Malware Report. URL: https://resources.malwarebytes.com/files/2019/01/MalwarebytesLabs-2019-State-of Malware- Report-2.pdf (дата обращения:15.05.2025). Wang Z., Jia Z., Zhang B. A detection scheme for DGA domain names, based on SVM // In 2018 International Conference on Mathematics, Modelling, Simulation and Algorithms (MMSA 2018). 2018. C. 257–263. Wang Z., Jia Z., Zhang B. A detection scheme for DGA domain names, based on SVM // In 2018 International Conference on Mathematics, Modelling, Simulation and Algorithms (MMSA 2018). 2018. C. 257–263. Why Machine Learning Models Degrade in Production [Электронный ресурс]. URL: https://towardsdatascience.com/ why-machine-learning-models-degrade-in-production-d0f2108e9214 (дата обращения: 15.05.2025). Why Machine Learning Models Degrade in Production. URL: https://towardsdatascience.com/ why-machine-learning-models-degrade-in-production-d0f2108e9214 (дата обращения: 15.05.2025).

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

The authors declare that there are no conflicts of interest present.