| 基于代价敏感学习的恶意URL检测研究 |
| |
| 作者姓名： | 蔡勍萌 王健 李鹏博 |
| |
| 作者单位： | 北京交通大学计算机与信息技术学院 北京 中国 100044;中电科网络空间安全研究院 北京 中国 100085 |
| |
| 基金项目： | 本课题得到中国国家铁路集团有限公司科技研究开发计划重点课题(No.N2020W005),以及国家保密技术测评中心项目(No.K20GY500010)的支持资助。 |
| |
| 摘 要： | 随着大数据时代的到来,恶意URL作为Web攻击的媒介渐渐威胁着用户的信息安全。传统的恶意URL检测手段如黑名单检测、签名匹配方法正逐步暴露缺陷,为此本文提出一种基于代价敏感学习策略的恶意URL检测模型。为提高卷积神经网络在恶意网页检测领域的性能,本文提出将URL数据结合HTTP请求信息作为原始数据样本进行特征提取,解决了单纯URL数据过于简单而造成特征提取困难的问题,通过实验对比了三种编码处理方式,根据实验结果选取了最佳字符编码的处理方式,保证了后续检测模型的效果。同时本文针对URL字符输入的特点,设计了适合URL检测的卷积神经网络模型,为了提取数据深层特征,使用了两层卷积层进行特征提取,其次本文在池化层选择使用BiLSTM算法提取数据的时序特征,同时将该网络的最后一个单元输出达到池化效果,避免了大量的模型计算,保证了模型的检测效率。同时为解决数据样本不均衡问题,在迭代过程中为其分配不同惩罚因子,改进了数据样本初始化权重的分配规则并进行了归一化处理,增加恶意样本在整体误差函数中的比重。实验结果表明本文模型在准确率、召回率以及检测效率上较优于其他主流检测模型,并对于不均衡数据集具有较好的抵抗能力。
|
| 关 键 词： | 深度学习 恶意网页 URL检测 代价敏感学习 神经网络 |
| 收稿时间： | 2021/7/21 0:00:00 |
| 修稿时间： | 2021/11/15 0:00:00 |
Research on Malicious URL Detection Based on Cost-sensitive Learning |
| |
| Authors: | CAI Qingmeng WANG Jian LI Pengbo |
| |
| Affiliation: | School of Computer and Information Technology, Beijing Jiaotong University, Beijing, 100044, China; CETC Cyberspace Security Research Institute, Beijing, 100085, China |
| |
| Abstract: | |
| |
| Keywords: | deep Learning malicious web page URL detection cost-sensitive learning neural networks |
|
| 点击此处可从《》浏览原始摘要信息 |
|
点击此处可从《》下载全文 |
|
