恶意URL多层过滤检测模型的设计与实现

doi:10.3969/j.issn.1671-1122.2016.01.014

信息网络安全 ›› 2016, Vol. 16 ›› Issue (1): 75-80.doi: 10.3969/j.issn.1671-1122.2016.01.014

恶意URL多层过滤检测模型的设计与实现

刘健, 赵刚(), 郑运鹏

北京信息科技大学信息管理学院,北京 100192

收稿日期:2015-11-16 出版日期:2016-01-01 发布日期:2020-05-13
作者简介:
作者简介：刘健（1991-）,男,北京,硕士研究生,主要研究方向为机器学习与信息安全;赵刚（1965-）,男,北京,副教授,博士,主要研究方向为人工智能与信息安全;郑运鹏（1992-）,男,北京,硕士研究生,主要研究方向为大数据与物流规划。
基金资助:
基金项目：国家社会科学基金重大项目子课题[14ZDB133];北京市自然科学基金[4132011]

Design and Implementation of a Multi-layer Filtering Detection Model for Malicious URL

Jian LIU, Gang ZHAO(), Yunpeng ZHENG

School of Information Management, Beijing Information Science & Technology University, Beijing 100192, China

Received:2015-11-16 Online:2016-01-01 Published:2020-05-13

摘要/Abstract

摘要：

近年来,恶意网站危害到用户的方方面面,对恶意网站URL的检测越来越重要。目前对恶意URL的检测主要有黑白名单技术和机器学习分类算法,黑白名单技术对于没有标记集的URL无能为力,每种机器学习分类算法也有各自不擅长的数据。文章结合黑白名单技术和机器学习算法提出了恶意URL多级过滤检测模型,训练每层过滤器的阈值,过滤器达到阈值的能够直接对URL进行判定,否则过滤到下一层过滤器。本模型能够充分发挥不同分类器针对所擅长数据类型的作用。文章用实例验证了多级过滤检测模型能够提高URL检测的准确率。

关键词: 恶意URL, 黑白名单技术, 机器学习, 多层过滤模型

Abstract:

In recent years, as malicious websites harm to every aspect of the user, the detection of malicious web site URL is becoming increasingly important. At present, the detection of malicious URL mainly includes black and white list technology and machine learning classification algorithm.However, the black and white list technology can do nothing while the URL is not in list. And each machine learning classification algorithm has some data which it is not good at. In this paper, we propose a malicious URL multi-level filtering detection model. By training the threshold of each layer filter, the filter can directly determine the URL when it reaches the threshold. Otherwise, the filter leave the URL to next layer. Therefore, every classifier can deal with the data it is good at, this paper uses an example to verify that the model can improve the accuracy of URL detection.

Key words: malicious URL, black and white list technology, machine learning, multi-layer filtering model

中图分类号:

TP309

刘健, 赵刚, 郑运鹏. 恶意URL多层过滤检测模型的设计与实现[J]. 信息网络安全, 2016, 16(1): 75-80.

Jian LIU, Gang ZHAO, Yunpeng ZHENG. Design and Implementation of a Multi-layer Filtering Detection Model for Malicious URL[J]. Netinfo Security, 2016, 16(1): 75-80.

图/表 4

参考文献 18

[1]	卿斯汉. 关键基础设施安全防护[J]. 信息网络安全,2015(2):1-6.
[2]	王永娟, 郝家宝. 网络信息安全的威胁与防范技术研究[J]. 中国管理信息化,2015,18(20):146.
[3]	王红凯,王志强,龚小刚. 移动互联网安全问题及防护措施探讨[J]. 信息网络安全,2014(9):207-210.
[4]	MA J, SAUL L K, SAVAGE S, et al.Beyond Blacklists: Learning to Detect Malicious Web Sites from Suspicious URLs[C]// ACM SIGMOD. International Conference on Knowledge Discovery & Data Mining, June 28-July 1, 2009, Paris, France. New York: Association for Computing Machinery, 2009: 1245-1254.
[5]	曹玖新,董丹,毛波,等. 基于URL特征的Phishing检测方法(英文)[J]. 东南大学学报 (英文版), 2013(2):134-138.
[6]	宋明秋, 曹晓芸. 基于敏感特征的网络钓鱼网站检测方法[J]. 大连理工大学学报, 2013(6):903-907.
[7]	黄华军, 钱亮, 王耀钧. 基于异常特征的钓鱼网站 URL 检测技术[J]. 信息网络安全, 2012 (1) :23-25.
[8]	顾晓清, 王洪元, 倪彤光,等. 基于贝叶斯和支持向量机的钓鱼网站检测方法[J]. 计算机工程与应用, 2015(4):87-90.
[9]	GARERA S, PROVOS N, CHEW M, et al.A Framework for Detection and Measurement of Phishing Attacks[C]// ACM SIGSAC. 2007 ACM Workshop on Recurring Malcode. Alexandria, VA, United states. New York : Association for Computing Machinery , 2007: 1-8.
[10]	王婷. 基于RFE-SVM 的钓鱼网页识别技术的研究[D]. 武汉:华中科技大学, 2012.
[11]	蔺亚东. 基于URL 特征的钓鱼网站检测方式[J]. 电子测试, 2014 (2) :70-72.
[12]	刘昂. 基于文本匹配的钓鱼网站检测系统的设计和实现[D]. 北京:北京邮电大学, 2013.
[13]	蒋良孝. 朴素贝叶斯分类器及其改进算法研究[D]. 北京:中国地质大学, 2009.
[14]	陈辉林, 夏道勋. 基于CART 决策树数据挖掘算法的应用研究[J]. 煤炭技术, 2011, 30(10): 164-166.
[15]	宋广玲, 郝忠孝. 一种基于CART 的决策树改进算法[J]. 哈尔滨理工大学学报, 2009, 14(2): 17-20.
[16]	LEO Breiman, JEROME Friedman, CHARLES J, et al.Classification and Regression Trees (CART)[M]. New York: Chapman & Hall, 1984.
[17]	KEERTHI S S, SHEVADE S K, BHATTACHARYYA C, et al.Improvements to Platt's SMO Algorithm for SVM Classifier Design[J]. Neural Computation, 2001, 13(3): 637-649.
[18]	SUYKENS J A K, VANDEWALLE J. Least Squares Support Vector Machine Classifiers[J]. Neural processing letters, 1999, 9(3): 293-300.

恶意URL多层过滤检测模型的设计与实现

Design and Implementation of a Multi-layer Filtering Detection Model for Malicious URL

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郭春, 陈长青, 申国伟, 蒋朝惠. 一种基于可视化的勒索软件分类方法[J]. 信息网络安全, 2020, 20(4): 31-39.
[2]	杜义峰, 郭渊博. 一种基于信任值的雾计算动态访问控制方法[J]. 信息网络安全, 2020, 20(4): 65-72.
[3]	马泽文, 刘洋, 徐洪平, 易航. 基于集成学习的DoS攻击流量检测技术[J]. 信息网络安全, 2019, 19(9): 115-119.
[4]	陈冠衡, 苏金树. 基于深度神经网络的异常流量检测算法[J]. 信息网络安全, 2019, 19(6): 68-75.
[5]	田春岐, 李静, 王伟, 张礼庆. 一种基于机器学习的Spark容器集群性能提升方法[J]. 信息网络安全, 2019, 19(4): 11-19.
[6]	胡建伟, 赵伟, 闫峥, 章芮. 基于机器学习的SQL注入漏洞挖掘技术的分析与实现[J]. 信息网络安全, 2019, 19(11): 36-42.
[7]	张健, 陈博翰, 宫良一, 顾兆军. 基于图像分析的恶意软件检测技术研究[J]. 信息网络安全, 2019, 19(10): 24-31.
[8]	文伟平, 李经纬, 焦英楠, 李海林. 一种基于随机探测算法和信息聚合的漏洞检测方法[J]. 信息网络安全, 2019, 19(1): 1-7.
[9]	于颖超, 丁琳, 陈左宁. 机器学习系统面临的安全攻击及其防御技术研究[J]. 信息网络安全, 2018, 18(9): 10-18.
[10]	张阳, 姚原岗. 基于Xgboost算法的网络入侵检测研究[J]. 信息网络安全, 2018, 18(9): 102-105.
[11]	文伟平, 吴勃志, 焦英楠, 何永强. 基于机器学习的恶意文档识别工具设计与实现[J]. 信息网络安全, 2018, 18(8): 1-7.
[12]	和湘, 刘晟, 姜吉国. 基于机器学习的入侵检测方法对比研究[J]. 信息网络安全, 2018, 18(5): 1-11.
[13]	陈红松, 王钢, 宋建林. 基于云计算入侵检测数据集的内网用户异常行为分类算法研究[J]. 信息网络安全, 2018, 18(3): 1-7.
[14]	段桂华, 申卓祥, 申东杰, 李智. 一种基于特征提取的有效下载链接识别方案研究[J]. 信息网络安全, 2018, 18(10): 31-36.
[15]	孙靖超. 一种基于机器学习的网页分类技术[J]. 信息网络安全, 2017, 17(9): 45-48.