基于代价敏感学习的恶意URL检测研究

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

所属期刊栏目：8

分类号：TP391.1(计算技术、计算机技术)

资助基金：中国国家铁路集团有限公司科技研究开发计划;国家保密技术测评中心项目

在线出版日期：2023-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：54-65