基于深度学习的,具有鲁棒性的钓鱼网站检测方法

在大数据时代，网络安全仍然是至关重要的话题。 在海量的信息中，不法分子利用网络骗取用户的信任并从中牟利。 网络钓鱼网站就是其中之一。 “钓鱼”网站的网址、网页内容、布局等与真实网站非常相似，没有安全意识的网民很容易上当受骗，造成严重后果。 有效遏制“钓鱼网站”是网络安全的保障。 目前钓鱼网站，国内外针对钓鱼网站防御的研究取得了一定的成果，但都存在不足。 现有的典型的钓鱼网站检测方法包括：基于黑白名单机制的检测、基于文本特征或网页图像特征的匹配检测、基于机器学习的分类检测。 然而，基于黑白名单的检测方法不太及时。 列表范围也存在不足，基于特征的算法的准确性和鲁棒性不理想。 近年来，机器学习已应用于各个领域并取得了巨大成功。 特别是，将深度学习应用于检测和识别可以是有效的。 检测效率必须提高。 鉴于此，本文研究现有技术方法，提出一种基于深度学习的鲁棒钓鱼网站检测方法。 基于深度学习的钓鱼网站检测主要研究以下内容： 钓鱼网站的特征提取是识别钓鱼网站的基础，也是关键的一步。 良好的特征提取方法对检测结果起着至关重要的作用。 本文通过对钓鱼网站特征的调查和前人研究的总结，将网站页面和网址结合起来。 结合起来，分别提取网页内容异常和链接异常的关键特征。 为了提高检测速度，降低误判率，采用URL过滤器，对爬取的URL进行相似度检测，进一步提高检测的准确率。 对URL特征和网页特征进行预处理并保存为特征向量，以便在下一个模块中进行检测和识别。 近年来，深度学习技术的引入及其出色的特征学习能力使其在各个领域的应用中取得了巨大成功。 因此，本文研究基于深度学习的钓鱼网站分类识别方法，提出一种多层结构的DBN-KNN模型，应用于钓鱼网站特征的识别，然后对提取的特征向量进行学习、训练并进行分类，最后根据分类结果识别出钓鱼网站。 综上所述，本文研究基于深度学习的钓鱼网站检测方法，以解决现有检测方法的不足。 首先，爬取钓鱼网站数据并进行URL过滤和相似度检测； 然后，人工分析提取钓鱼网站的关键特征，并对特征进行预处理； 最后，提出了深度学习模型DBN-KNN来训练和分类特征向量以识别钓鱼网站。

展开

Tags：钓鱼 检测 特征 网站 深度