基于SVM的金融类钓鱼网页检测方法

发布时间：2018-03-19 07:13

  本文选题：钓鱼检测　切入点：支持向量机(SVM)　出处：《重庆邮电大学学报(自然科学版)》2017年06期 　论文类型：期刊论文

【摘要】：针对金融服务领域面临的严峻信息安全挑战,以及现有钓鱼网页检测方法的不足,提出一种基于支持向量机(support vector machine,SVM)的金融类钓鱼网页检测方法。采用网页渲染去除常见的页面特征伪装,提取统一资源定位符(uniform resource locator,URL)信息特征、页面文本特征、页面表单特征以及页面logo图像特征,构建特征向量训练SVM分类器模型,实现对金融类钓鱼网页的识别。在特征提取过程中,利用适合中文的多模式匹配算法AC_SC(AC suitable for chinese)提高文本匹配效率,并采用加速鲁棒特征(speeded-up robust feature,SURF)算法实现logo图像的特征提取与匹配。多方法实验结果对比表明,该方法针对性更强,能达到99.1%的检测准确率、低于0.86%的误报率。
[Abstract]:In view of the serious information security challenges faced by the financial services sector, as well as the shortcomings of the existing phishing web page detection methods, This paper presents a new method for detecting financial phishing pages based on support vector machine (SVM) support vector machine (SVM), which uses web page rendering to remove common page feature camouflage, and extracts uniform resource locator URL information features and page text features. Page form features and page logo image features, feature vector training SVM classifier model is constructed to realize the recognition of financial phishing pages. AC_SC(AC suitable for chineseis used to improve the text matching efficiency, and the speeded-up robust feature surf algorithm is used to realize the feature extraction and matching of logo images. The experimental results show that the proposed method is more specific. Can achieve 99.1% detection accuracy, less than 0.86% false alarm rate.
【作者单位】： 中国移动研究院;重庆邮电大学自动化学院;
【基金】：教育部—中国移动联合研究基金(MCM20150202)~~
【分类号】：TP393.08

【相似文献】

相关期刊论文 前10条

1 高晶辉;;基于SVM的网络入侵检测系统模型分析[J];牡丹江师范学院学报(自然科学版);2010年04期

2 程学云;徐慧;朱玲玲;;基于SVM的分布式入侵检测系统[J];南通大学学报(自然科学版);2008年03期

3 李汉彪;刘渊;;一种SVM入侵检测的融合新策略[J];计算机工程与应用;2012年04期

4 马翔;李展;;基于模糊处理和上下文敏感SVM的协同过滤推荐新方法[J];电脑知识与技术;2010年06期

5 柴志成;;一种基于SVM的网络异常流量检测新方法[J];贵阳学院学报(自然科学版);2008年01期

6 段丹青;陈松乔;杨卫平;;基于SVM主动学习算法的网络入侵检测系统[J];计算机工程与科学;2006年04期

7 谷雨;基于增量式SVM的入侵检测研究[J];云南民族大学学报(自然科学版);2005年03期

8 高会生;郭爱玲;;组合核函数SVM在网络安全风险评估中的应用[J];计算机工程与应用;2009年11期

9 邱婧;夏靖波;柏骏;;基于SVM决策树的网络流量分类[J];电光与控制;2012年06期

10 汪会玲;;一种基于SVM的电子商务网站服务质量监控模型[J];情报杂志;2008年06期

相关会议论文 前5条

1 刘秉权;李博;孙林;王宝勋;刘远超;;标签特征和正文特征融合的SVM博客文本分类算法研究[A];第六届全国信息检索学术会议论文集[C];2010年

2 钟淑瑛;李陶深;张敏;;一种基于PCA技术的入侵检测特征提取方法[A];广西计算机学会2005年学术年会论文集[C];2005年

3 周俊临;傅彦;聂琨坤;;自适应网格数据的分布式特征提取研究[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 程克勤;周健;;一种P2P流特征提取方法[A];第六届中国测试学术会议论文集[C];2010年

5 孙利;吴俭涛;;利用色彩营造网页形象时需关注的几点问题[A];色彩科学应用与发展——中国科协2005年学术年会论文集[C];2005年

相关硕士学位论文 前10条

1 刘芳正;基于SVM的入侵检测技术在医院统一外联平台中的研究[D];北方工业大学;2017年

2 刘军;基于SVM的半监督网络入侵检测系统[D];复旦大学;2009年

3 张永俊;基于SVM的增量入侵检测方法研究[D];西安科技大学;2013年

4 毕孝儒;基于粗糙集属性约简和加权SVM的入侵检测方法研究[D];西安科技大学;2011年

5 李可可;基于SVM的微博情感倾向性分析研究[D];中原工学院;2014年

6 陈艺坤;基于粗糙集和增量SVM的入侵检测方法研究[D];西安科技大学;2012年

7 康晓丽;基于信息熵与改进SVM的异常流量检测研究[D];大连海事大学;2012年

8 罗杰;基于SVM的微博话题跟踪方法及其应用[D];北京理工大学;2015年

9 张洪军;基于SVM的电子邮件分类系统研究[D];山东师范大学;2007年

10 马建斌;基于SVM的中文电子邮件作者身份挖掘技术研究[D];河北农业大学;2004年

，

本文编号：1633344