基于深度學習的,具有魯棒性的釣魚網站檢測方法

在大數據時代，網絡安全仍然是至關重要的話題。 在海量的信息中，不法分子利用網絡騙取用戶的信任并從中牟利。 網絡釣魚網站就是其中之一。 “釣魚”網站的網址、網頁內容、布局等與真實網站非常相似，沒有安全意識的網民很容易上當受騙，造成嚴重后果。 有效遏制“釣魚網站”是網絡安全的保障。 目前釣魚網站，國內外針對釣魚網站防御的研究取得了一定的成果，但都存在不足。 現有的典型的釣魚網站檢測方法包括：基于黑白名單機制的檢測、基于文本特征或網頁圖像特征的匹配檢測、基于機器學習的分類檢測。 然而，基于黑白名單的檢測方法不太及時。 列表范圍也存在不足，基于特征的算法的準確性和魯棒性不理想。 近年來，機器學習已應用于各個領域并取得了巨大成功。 特別是，將深度學習應用于檢測和識別可以是有效的。 檢測效率必須提高。 鑒于此，本文研究現有技術方法，提出一種基于深度學習的魯棒釣魚網站檢測方法。 基于深度學習的釣魚網站檢測主要研究以下內容： 釣魚網站的特征提取是識別釣魚網站的基礎，也是關鍵的一步。 良好的特征提取方法對檢測結果起著至關重要的作用。 本文通過對釣魚網站特征的調查和前人研究的總結，將網站頁面和網址結合起來。 結合起來，分別提取網頁內容異常和鏈接異常的關鍵特征。 為了提高檢測速度，降低誤判率，采用URL過濾器，對爬取的URL進行相似度檢測，進一步提高檢測的準確率。 對URL特征和網頁特征進行預處理并保存為特征向量，以便在下一個模塊中進行檢測和識別。 近年來，深度學習技術的引入及其出色的特征學習能力使其在各個領域的應用中取得了巨大成功。 因此，本文研究基于深度學習的釣魚網站分類識別方法，提出一種多層結構的DBN-KNN模型，應用于釣魚網站特征的識別，然后對提取的特征向量進行學習、訓練并進行分類，最后根據分類結果識別出釣魚網站。 綜上所述，本文研究基于深度學習的釣魚網站檢測方法，以解決現有檢測方法的不足。 首先，爬取釣魚網站數據并進行URL過濾和相似度檢測； 然后，人工分析提取釣魚網站的關鍵特征，并對特征進行預處理； 最后，提出了深度學習模型DBN-KNN來訓練和分類特征向量以識別釣魚網站。

展開

Tags：釣魚 檢測 特征 網站 深度