近年來互聯(lián)網(wǎng)行業(yè)正在飛速崛起,其帶來的信息交流也促進(jìn)了全世界的商業(yè)發(fā)展。廣大用戶一邊在享受著互聯(lián)網(wǎng)帶來的便利,同時(shí)也在遭受著網(wǎng)絡(luò)中潛在的威脅。由于網(wǎng)頁中病毒和惡意腳本的肆虐,個(gè)人、企業(yè)電腦受到黑客攻擊致使信息泄露的事件頻頻流出,給人民和政府經(jīng)濟(jì)造成了損失�；ヂ�(lián)網(wǎng)中各種知名網(wǎng)站每日有巨大的訪問量,這使得黑客通過這些網(wǎng)頁攻擊用戶變得有機(jī)可乘。不少學(xué)者對于惡意網(wǎng)頁的檢測技術(shù)已經(jīng)進(jìn)行過一些研究,但是大部分針對惡意網(wǎng)頁檢測模型的構(gòu)建過于單一造成檢測準(zhǔn)確率不高,所以如何更全面的挖掘惡意網(wǎng)頁的特征并提高惡意網(wǎng)頁檢測的準(zhǔn)確率變得非常重要。本文對惡意網(wǎng)頁檢測技術(shù)進(jìn)行研究,利用了集成學(xué)習(xí)的代表算法隨機(jī)森林進(jìn)行模型融合,將深度學(xué)習(xí)算法和機(jī)器學(xué)習(xí)進(jìn)行集成。其中的主要工作及創(chuàng)新點(diǎn)為:（1）對惡意網(wǎng)頁鏈接URL檢測技術(shù)進(jìn)行研究,將卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)機(jī)器學(xué)習(xí)方法相結(jié)合,融合卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中自動(dòng)提取的特征與人工提取的特征,并且使用三種傳統(tǒng)機(jī)器學(xué)習(xí)方法對特征融合后的URL檢測模型進(jìn)行評價(jià),將表現(xiàn)效果最好的URL檢測模型作為本文搭建的集成學(xué)習(xí)惡意網(wǎng)頁檢測系統(tǒng)的URL檢測層模型。（2）對惡意網(wǎng)頁內(nèi)容檢測技術(shù)研究,結(jié)合正則... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及選題意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
        1.2.3 國內(nèi)外研究現(xiàn)狀總結(jié)
    1.3 本文的主要工作
    1.4 本文結(jié)構(gòu)
    1.5 本章小節(jié)
第二章 相關(guān)理論與技術(shù)基礎(chǔ)
    2.1 Web相關(guān)技術(shù)理論
        2.1.1 Web協(xié)議及萬維網(wǎng)
        2.1.2 統(tǒng)一資源定位符
    2.2 典型的惡意網(wǎng)頁攻擊技術(shù)背景
        2.2.1 跨站腳本攻擊
        2.2.2 網(wǎng)頁標(biāo)簽掛馬
    2.3 分類算法
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.2 集成學(xué)習(xí)
    2.4 本章小結(jié)
第三章 基于特征融合的惡意URL和惡意網(wǎng)頁內(nèi)容檢測技術(shù)研究
    3.1 惡意URL檢測技術(shù)研究
    3.2 網(wǎng)頁鏈接數(shù)據(jù)收集及預(yù)處理
        3.2.1 惡意URL樣本的收集
        3.2.2 數(shù)據(jù)預(yù)處理
    3.3 深度模型URL特征預(yù)處理
        3.3.1 詞向量特征原理
        3.3.2 詞向量特征提取
    3.4 URL人工設(shè)計(jì)規(guī)則提取特征
    3.5 URL檢測模型搭建
        3.5.1 卷積神經(jīng)網(wǎng)絡(luò)檢測模型搭建
        3.5.2 隨機(jī)森林算法檢測模型搭建
        3.5.3 樸素貝葉斯檢測模型搭建
        3.5.4 支持向量機(jī)算法檢測模型搭建
    3.6 惡意網(wǎng)頁內(nèi)容檢測技術(shù)研究
        3.6.1 網(wǎng)頁內(nèi)容數(shù)據(jù)收集
        3.6.2 網(wǎng)頁內(nèi)容特征提取
    3.7 網(wǎng)頁內(nèi)容檢測模型搭建
        3.7.1 邏輯回歸模型搭建
        3.7.2 K鄰近檢測模型搭建
        3.7.3 隨機(jī)森林檢測模型搭建
    3.8 實(shí)驗(yàn)分析
        3.8.1 URL檢測實(shí)驗(yàn)分析
        3.8.2 網(wǎng)頁內(nèi)容檢測實(shí)驗(yàn)分析
    3.9 本章小結(jié)
第四章 結(jié)合URL和網(wǎng)頁內(nèi)容的惡意網(wǎng)頁檢測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 檢測系統(tǒng)web平臺
        4.1.1 用戶管理
        4.1.2 黑白名單管理模塊
        4.1.3 任務(wù)管理模塊
    4.2 URL多維檢測模塊
    4.3 網(wǎng)頁內(nèi)容檢測層設(shè)計(jì)
        4.3.1 網(wǎng)頁爬蟲解析模塊
        4.3.2 反混淆代碼還原和特征提取模塊
    4.4 本章小結(jié)
第五章 系統(tǒng)測試及分析
    5.1 實(shí)驗(yàn)開發(fā)環(huán)境及功能性分析
    5.2 檢測平臺功能性測試
        5.2.1 網(wǎng)站安全性測試
        5.2.2 檢測結(jié)果測試
    5.3 檢測能力測試
        5.3.1 檢測能力評價(jià)指標(biāo)
        5.3.2 惡意網(wǎng)頁檢測系統(tǒng)性能測試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]支持向量機(jī)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)算法在地球化學(xué)異常信息提取中的對比研究[J]. 李蒼柏,肖克炎,李楠,宋相龍,張帥,王凱,楚文楷,曹瑞.  地球?qū)W報(bào). 2020(02)
[2]基于機(jī)器學(xué)習(xí)的惡意URL識別[J]. 李澤宇,施勇,薛質(zhì).  通信技術(shù). 2020(02)
[3]基于知識圖譜的惡意域名檢測方法[J]. 張奕,鄒福泰.  通信技術(shù). 2020(01)
[4]基于SpringBoot框架應(yīng)用開發(fā)技術(shù)的分析與研究[J]. 熊永平.  電腦知識與技術(shù). 2019(36)
[5]基于Struck的在線學(xué)習(xí)和相似度匹配的雙重更新跟蹤算法[J]. 袁振,王傳江,張騰飛.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[6]TCP/IP協(xié)議安全分析仿真平臺設(shè)計(jì)[J]. 黃展鵬,蒙煒龍,吳俊璋,韋杰帥.  科技視界. 2019(32)
[7]基于Web系統(tǒng)的跨站腳本攻擊漏洞解析[J]. 巨騰飛,田國敏,楊京.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2019(11)
[8]基于特征融合和機(jī)器學(xué)習(xí)的惡意網(wǎng)頁識別研究[J]. 魏旭,成衛(wèi)青.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[9]基于長短期記憶網(wǎng)絡(luò)的惡意URL的檢測[J]. 張婷,錢麗萍.  北京建筑大學(xué)學(xué)報(bào). 2019(03)
[10]基于隱馬爾可夫模型的反射型XSS檢測技術(shù)[J]. 趙澄,陳君新.  浙江工業(yè)大學(xué)學(xué)報(bào). 2019(04)



本文編號：3179305