【摘要】：隨著網(wǎng)絡和計算機的普及,網(wǎng)絡安全問題也隨之出現(xiàn),釣魚網(wǎng)頁的識別則是網(wǎng)絡安全中急需解決的難題。目前主流的釣魚網(wǎng)頁識別方法通常有四種:黑名單方法,啟發(fā)式方法,圖像識別方法,機器學習方法,每一種都有明顯的缺點。黑名單方法,啟發(fā)式方法,圖像識別方法因為釣魚網(wǎng)頁的更新速度快,特征求不及更新,漏判率較高。機器學習方法通常為淺層學習,對復雜分類問題泛化能力弱,所以誤判率較高。通過研究發(fā)現(xiàn),深度學習可以有效的解決上述的問題。在比較各種深度學習模型框架后,采用了自動編碼器模型作為識別釣魚網(wǎng)頁的模型框架。它是一個簡單的3層網(wǎng)絡模型,分為編碼層,隱藏層,解碼層,特征經(jīng)過編碼與解碼后能夠獲得更本質(zhì)的表達。本文的識別方法首先通過對網(wǎng)頁URL和網(wǎng)頁源代碼分析,把特征分為URL文本特征,DNS特征,WHOIS特征,排名特征和頁面內(nèi)容特征5大類,通過抽取每一個類別中的特征組成一個52維的特征向量,對有缺失的特征進行特征填充。之后把已構(gòu)造好的特征向量作為自動編碼器的輸入。目前在使用深度學習模型時,超參數(shù)的調(diào)節(jié)主要有手動法、網(wǎng)格搜索、隨機搜索三種方法,每一種方法都有很多的缺點,本文提出了一種基于節(jié)點權(quán)重相關(guān)性的自適應隱藏層節(jié)點數(shù)優(yōu)化算法,通過引入相關(guān)系數(shù)理論來自動調(diào)節(jié)隱藏層的節(jié)點數(shù),使得當前層的節(jié)點數(shù)量最優(yōu)。為了證明算法的正確性,本文采用三種數(shù)據(jù)集,對六種性能進行分析,分別為準確率,召回率,假正率,假負率,真正率,真負率,證明了算法的有效性。之后再對最優(yōu)網(wǎng)絡結(jié)構(gòu)的自動編碼器的分類結(jié)果進行了集成學習,對有缺失值的樣本特征采用了一種改進的加權(quán)投票法,進一步提高了結(jié)果的準確率。最后使用最優(yōu)結(jié)構(gòu)自動編碼器與傳統(tǒng)機器學習方法中的支持向量機算法,樸素貝葉斯算法進行比較,結(jié)果證明了自動編碼器的有效性。之后對輸入的特征向量分別采用三種歸一化改進,進一步提高了識別性能。
【圖文】：

西安科技大學碩士學位論文構(gòu)得到輸出特征，在重構(gòu)過程中，通過編碼與解碼獲得輸入特征的本質(zhì)表示。在下節(jié)將具體解釋。波爾茲曼機是一種雙層的神經(jīng)網(wǎng)絡，由 G.E.Hinton 等人提出，是通過學習數(shù)據(jù)固有內(nèi)在表示、解決復雜學習問題最早的人工神經(jīng)網(wǎng)絡之一，之后由 Hinton 擴展去掉了玻爾茲曼機同層之間的連接，大大提高了學習效率，具體的模型結(jié)構(gòu)已在上節(jié)展示過。卷積神經(jīng)網(wǎng)絡（CNN）最早是由 IeCun 等人在 1998 年提出，用于手寫字符圖像的識別，其網(wǎng)絡結(jié)構(gòu)如圖 2.3 所示。

圖 2.3 卷積神經(jīng)網(wǎng)絡模型圖為高級的神經(jīng)網(wǎng)絡，它與傳統(tǒng)的神經(jīng)網(wǎng)絡仿人腦對信號處理上的分級加入了特征學輸入的特征主要是二維數(shù)據(jù)，主要優(yōu)點有，，使得在圖像識別中能夠更加準確；②圖變換不會對圖像信息造成損失，而是非常網(wǎng)絡上的改進，它主要處理具有時間序列時間戳直接作用到自身，通常應用于自然體的網(wǎng)絡結(jié)構(gòu)如圖 2.4 所示。
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP18;TP393.08

【參考文獻】

相關(guān)期刊論文 前10條

1 潘廣源;柴偉;喬俊飛;;DBN網(wǎng)絡的深度確定方法[J];控制與決策;2015年02期

2 王偉平;張兵;;支持頁面特征偽造識別的釣魚網(wǎng)頁檢測方法[J];山東大學學報(理學版);2014年09期

3 孫勁光;蔣金葉;孟祥福;李秀娟;;深度置信網(wǎng)絡在垃圾郵件過濾中的應用[J];計算機應用;2014年04期

4 宋明秋;曹曉蕓;;基于敏感特征的網(wǎng)絡釣魚網(wǎng)站檢測方法[J];大連理工大學學報;2013年06期

5 崔建明;劉建明;廖周宇;;基于SVM算法的文本分類技術(shù)研究[J];計算機仿真;2013年02期

6 孫志軍;薛磊;許陽明;王正;;深度學習研究綜述[J];計算機應用研究;2012年08期

7 丁華福;柴琳;;基于Bagging算法和遺傳BP神經(jīng)網(wǎng)絡的負荷預測[J];計算機技術(shù)與發(fā)展;2011年05期

8 劉慶和;梁正友;;一種基于信息增益的特征優(yōu)化選擇方法[J];計算機工程與應用;2011年12期

9 張衛(wèi)豐;周毓明;許蕾;徐寶文;;基于匈牙利匹配算法的釣魚網(wǎng)頁檢測方法[J];計算機學報;2010年10期

10 孫立偉;何國輝;吳禮發(fā);;網(wǎng)絡爬蟲技術(shù)的研究[J];電腦知識與技術(shù);2010年15期

相關(guān)博士學位論文 前3條

1 嚴遠亭;不完整數(shù)據(jù)集的多視角集成分類研究[D];安徽大學;2016年

2 沙泓州;面向大規(guī)模網(wǎng)絡流量的URL實時分類關(guān)鍵技術(shù)研究[D];北京郵電大學;2015年

3 陳宇;基于深度置信網(wǎng)絡的中文信息抽取方法[D];哈爾濱工業(yè)大學;2014年

相關(guān)碩士學位論文 前6條

1 邢盼盼;基于Bagging的兩階段特征選擇集成分類器研究[D];鄭州大學;2017年

2 馬亨;基于相關(guān)性分析的自動編碼器結(jié)構(gòu)優(yōu)化研究[D];蘭州大學;2017年

3 孟令恒;自動編碼器相關(guān)理論研究與應用[D];中國礦業(yè)大學;2017年

4 吳海燕;基于自動編碼器的半監(jiān)督表示學習與分類學習研究[D];重慶大學;2015年

5 沈尚方;釣魚網(wǎng)頁的深度學習智能檢測方法研究[D];華北電力大學;2012年

6 王國才;樸素貝葉斯分類器的研究與應用[D];重慶交通大學;2010年

本文編號：2620162