基于神经网络的钓鱼网站检测技术研究

发布时间：2022-01-01 03:22

　　钓鱼网站的泛滥给国民的生产生活带来了巨大的威胁,不利于经济的发展与和谐稳定。将神经网络应用于钓鱼网站的检测,采用GA算法对BP神经网络进行优化,得到了优化后的GA-BP神经网络。建立了包含3个钓鱼网站显性特征向量和3个隐性特征向量的综合评价模型,同时对3个隐性特征向量采用GA-BP算法进行识别。采用国际反钓鱼组织的数据作为样本,通过测试集测试结果表明,将钓鱼网站的显性特征和隐性特征结合起来进行评价的办法使得对钓鱼网站的总体识别率、正向样本识别率和总体漏报率都有了明显的提高。 

【文章来源】：安阳师范学院学报. 2020,(05)

【文章页数】：4 页

【部分图文】：

BP神经网络典型结构

BP神经网络在实际中具有十分广泛的应用,但是由于网络的输入层和隐含层、隐含层和输出层之间的神经元连接初始权值对网络输出的结果具有比较大的影响,如果连接初始权值设置不合理将导致收敛速度较慢,同时可能导致网络陷入局部最优。遗传算法(GA)具有良好的全局搜索能力,通过选择、交叉、变异等过程而获得全局最优解。因此,采用GA对BP神经网络的初始权值进行优化,从而获得GA-BP神经网络[2]。图2给出了GA-BP神经网络流程图。种群随机初始化,同时采用实数编码的方式对每一个物种进行编码处理。自然界的每一个物种个体由神经网络的输入层与隐含层的连接权值、阈值,隐含层与输出层的连接权值、阈值所构成。计算适应度函数F,

GA-BP网络识别模型的输入是网站URL,通过对URL特征的提取来检测钓鱼网站。URL提取的特征包括两类,一类为显性的特征向量,另一类为隐性的特征向量。显性特征向量所反映的是钓鱼网站的可能性大小,而隐性特征向量是无法直接判断的特征向量[3]。通过GA-BP神经网络对隐性特征向量进行预测,同时预测的结果和显性特征向量综合起来进行判断网站是否为钓鱼网站。钓鱼网站检测模型如图3所示。2.2 URL特征提取

【参考文献】：
期刊论文
[1]基于GA-BP神经网络的城市用水量预测[J]. 武风波,赵盼,吕茜彤.  现代电子技术. 2020(08)
[2]钓鱼网站检测研究现状与发展趋势的计量分析[J]. 朱世起,努尔布力.  计算机工程与应用. 2020(15)
[3]基于改进随机森林算法的钓鱼网站检测方法研究[J]. 朱琪,林果园.  微电子学与计算机. 2019(04)
[4]基于URL语言特征的钓鱼网站检测算法[J]. 王雨琪,刘博文,林果园.  计算机工程与应用. 2019(24)
[5]多特征的网络钓鱼检测算法研究[J]. 黄亦睿,刘功申,孟魁,蔡逆水.  计算机应用与软件. 2018(05)



本文编号：3561549