基于AdaBoost算法的網(wǎng)絡釣魚檢測系統(tǒng)的研究.pdf

1、網(wǎng)絡釣魚通常利用郵件或者高度模仿的網(wǎng)頁對用戶進行欺詐犯罪。如今，網(wǎng)絡釣魚的攻擊形式更加多元化，使得釣魚攻擊的防范和檢測變得更加困難。據(jù)統(tǒng)計，近年來釣魚攻擊帶來的損失呈現(xiàn)翻倍式的上升。因此，網(wǎng)絡釣魚已成為危害網(wǎng)絡安全的最主要因素之一。它不僅降低了網(wǎng)絡中人與人之間的信任度，而且嚴重阻礙了電子商務的發(fā)展。
　　當前常見的釣魚檢測技術存在檢測層面單一，信息獲取不夠全面等問題，因此，本文提出了一種URL黑白名單過濾結合機器學習(AdaBoo

2、st算法)分類的檢測方法。主要工作如下：
　　對待檢測的網(wǎng)站首先經(jīng)過URL黑白名單過濾，若是匹配成功作為結果輸出，若是匹配失敗，則進行下一步分類器的檢測。通過這種檢測方法，可以快速的檢測出時效性較差的釣魚網(wǎng)站。新形式的釣魚網(wǎng)站可以通過機器學習的方法進行檢測。
　　分類器檢測關鍵之處在于特征的如何提取。為了獲得釣魚網(wǎng)站足夠的信息，本文從URL中提取了14個特征，從網(wǎng)頁結構中提取了5個特征，從網(wǎng)頁內(nèi)容中提取了大量的特征用于分類器

3、的訓練和檢測。
　　特征中可能參雜著大量的噪聲，以及維度較高等問題，因此，加入數(shù)據(jù)預處理模塊進行降維和去除噪聲。
　　通過比較K-近鄰算法、樸素貝葉斯算法、邏輯回歸和AdaBoost算法的檢測性能，最終選取AdaBoost算法作為本文的檢測方法。由于釣魚網(wǎng)站檢測存在非平衡代價問題，提出一種改進算法AdaCostBoost,實驗結果表明，改進的算法在保證檢測精準性的同時降低了正規(guī)網(wǎng)站的誤判率，減小了誤判帶來的影響，提高了其在實