基于AdaBoost算法的网络钓鱼检测系统的研究

发布时间：2017-09-14 05:42

  本文关键词：基于AdaBoost算法的网络钓鱼检测系统的研究

  更多相关文章： 网络钓鱼 特征 机器学习 AdaBoost 代价

【摘要】：网络钓鱼通常利用邮件或者高度模仿的网页对用户进行欺诈犯罪。如今,网络钓鱼的攻击形式更加多元化,使得钓鱼攻击的防范和检测变得更加困难。据统计,近年来钓鱼攻击带来的损失呈现翻倍式的上升。因此,网络钓鱼已成为危害网络安全的最主要因素之一。它不仅降低了网络中人与人之间的信任度,而且严重阻碍了电子商务的发展。当前常见的钓鱼检测技术存在检测层面单一,信息获取不够全面等问题,因此,本文提出了一种URL黑白名单过滤结合机器学习(Ada Boost算法)分类的检测方法。主要工作如下:对待检测的网站首先经过URL黑白名单过滤,若是匹配成功作为结果输出,若是匹配失败,则进行下一步分类器的检测。通过这种检测方法,可以快速的检测出时效性较差的钓鱼网站。新形式的钓鱼网站可以通过机器学习的方法进行检测。分类器检测关键之处在于特征的如何提取。为了获得钓鱼网站足够的信息,本文从URL中提取了14个特征,从网页结构中提取了5个特征,从网页内容中提取了大量的特征用于分类器的训练和检测。特征中可能参杂着大量的噪声,以及维度较高等问题,因此,加入数据预处理模块进行降维和去除噪声。通过比较K-近邻算法、朴素贝叶斯算法、逻辑回归和Ada Boost算法的检测性能,最终选取Ada Boost算法作为本文的检测方法。由于钓鱼网站检测存在非平衡代价问题,提出一种改进算法Ada Cost Boost,实验结果表明,改进的算法在保证检测精准性的同时降低了正规网站的误判率,减小了误判带来的影响,提高了其在实际应用中的可能性。
【关键词】：网络钓鱼 特征 机器学习 AdaBoost 代价
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.08
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 绪论8-14
• 1.1 研究的背景和意义8-9
• 1.2 国内外研究现状9-12
• 1.2.1 基于黑白名单检测机制10
• 1.2.2 基于网站链接检测机制10-11
• 1.2.3 基于页面相似度检测机制11-12
• 1.2.4 身份认证机制12
• 1.3 研究内容和目的12-13
• 1.4 本文组织结构13-14
• 第二章 相关技术研究14-19
• 2.1 网络钓鱼攻击技术14-16
• 2.2 机器学习简介16
• 2.3 AdaBoost算法原理16-17
• 2.4 分词技术17-18
• 2.4.1 正向最大匹配法17-18
• 2.4.2 逆向最大匹配法18
• 2.4.3 双向最大匹配法18
• 2.5 本章小结18-19
• 第三章 网络钓鱼检测系统的设计19-37
• 3.1 当前网络钓鱼检测技术比较19-20
• 3.2 系统设计流程20-21
• 3.3 黑白名单过滤21
• 3.4 URL中特征提取21-26
• 3.5 网页结构中提取特征26-29
• 3.6 网页内容中提取特征29-33
• 3.6.1 分词处理流程30-31
• 3.6.2 TF-IDF与特征值计算31-33
• 3.7 数据预处理33-36
• 3.7.1 矩阵、特征值基础知识33-34
• 3.7.2 矩阵分解34-35
• 3.7.3 低阶近似35-36
• 3.8 分类器检测36
• 3.9 人工审核36
• 3.10 本章小结36-37
• 第四章 分类器模型的选取37-50
• 4.1 K-近邻算法模型37
• 4.2 朴素贝叶斯模型37-39
• 4.3 逻辑回归39-41
• 4.4 分类器检测性能比较41-45
• 4.4.1 检测主要指标42-43
• 4.4.2 实验样本集43-44
• 4.4.3 实验结果44-45
• 4.5 AdaBoost算法的改进45-46
• 4.6 实验结果与分析46-49
• 4.6.1 非均衡性指标评价46-47
• 4.6.2 实验数据的选取47
• 4.6.3 训练样本集中正负样本的比例47-48
• 4.6.4 实验结果48-49
• 4.7 本章小结49-50
• 第五章 总结和展望50-52
• 5.1 论文工作总结50
• 5.2 研究展望50-52
• 参考文献52-55
• 致谢55-56
• 攻读学位期间的研究成果56-57

【共引文献】

中国期刊全文数据库 前10条

1 陈好刚;王运琼;冯乔生;王树峰;王培涌;;一种基于2DPCA和LDA的人脸表情识别算法[J];微计算机信息;2010年25期

2 刘q，

本文编号：848222