基于分类置信度和网站特征的钓鱼检测系统

doi:10.3969/j.issn.1671-1122.2017.09.026

信息网络安全 ›› 2017, Vol. 17 ›› Issue (9): 111-114.doi: 10.3969/j.issn.1671-1122.2017.09.026

基于分类置信度和网站特征的钓鱼检测系统

陈旭¹, 黎宇坤¹, 袁华平², 刘文印²()

1. 广东工业大学自动化学院,广东广州 510006
2. 广东工业大学计算机学院,广东广州 510006

收稿日期:2017-08-01 出版日期:2017-09-20 发布日期:2020-05-12
作者简介:
作者简介：陈旭（1992—）,男,安徽,硕士研究生,主要研究方向为网络身份安全、假冒网站检测、机器学习;黎宇坤（1993—）,男,广东,硕士研究生,主要研究方向为网络安全、机器学习;袁华平（1993—）,男,江西,硕士研究生,主要研究方向为网络安全、数据挖掘;刘文印（1966—）,男,吉林,教授,博士,主要研究方向为网络身份安全、假冒网站检测、机器视觉、图形识别、文本挖掘等。
基金资助:
广东省引进创新团队项目[2014ZT05G157]

Phishing Detection System Based on Classification Confidence and Website Features

Xu CHEN¹, Yukun LI¹, Huaping YUAN², Wenyin LIU²()

1. School of Automation, Guangdong University of Technology, Guangzhou Guangdong 510006, China
2. School of Computer Science, Guangdong University of Technology, Guangzhou Guangdong 510006, China

Received:2017-08-01 Online:2017-09-20 Published:2020-05-12

摘要/Abstract

摘要：

文章构建了URL和网页内容两方面特征,结合机器学习Adaboost算法,训练了两种钓鱼检测模型。系统可根据网址状态智能选择合适的模型,并最终以浏览器插件形式与用户交互。文章提出利用钓鱼检测模型的分类置信度进一步提升系统性能,认为URL检测结果的分类置信度在0.95以上时是可靠的。实验表明,系统的漏警率和虚警率分别为3.59%和2.93%,准确率达到96.75%,可以有效抵御网络钓鱼攻击。

关键词: 钓鱼检测, 机器学习, 统计分析, 分类置信度

Abstract:

This paper develops an anti-phishing system to combat the increasing amount and severity of phishing attacks. To this end, features based on URLs and Web links are constructed and used to train two Adaboost models, which can detect phishing URLs with a high accuracy. In particular, the confidence of the model on the detected URLs is exploited further to improve the detected results. Extensive experiments conducted on a real-world dataset show the effectiveness of the proposed approach, achieving an accuracy of 96.7% with a missing alarm rate and false alarm rate as low as 3.59% and 2.93%.

Key words: phishing detection, machine learning, statistical analysis, classification confidence

中图分类号:

TP309.1

陈旭, 黎宇坤, 袁华平, 刘文印. 基于分类置信度和网站特征的钓鱼检测系统[J]. 信息网络安全, 2017, 17(9): 111-114.

Xu CHEN, Yukun LI, Huaping YUAN, Wenyin LIU. Phishing Detection System Based on Classification Confidence and Website Features[J]. Netinfo Security, 2017, 17(9): 111-114.

图/表 6

参考文献 16

[1]	树雅倩,付安民,黄振涛. 基于云平台的移动支付类恶意软件检测系统的设计与实现[J]. 信息网络安全,2016(1):59-63.
[2]	APWG. Phishing Attack Trends Reports[EB/OL]. , 2017-5-11.
[3]	APWG. Global Phishing Survey: Trends and Domain Name Use in 1H2011[EB/OL]. , 2017-5-11.
[4]	陈阳,李志辉. 2016年11月网络安全监测数据发布[J]. 信息网络安全,2017(1):93-94.
[5]	国家互联网应急中心. 网络安全信息与动态周报[EB/OL]. , 2017-5-11.
[6]	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(1):75-80.
[7]	JOSHI Y, SAKLIKAR S, DAS D, et al.PhishGuard: A BROWSER PLUG-in for Protection from Phishing[C]//IEEE. 2nd International Conference on Internet Multimedia Services Architecture and Applications, December 10-12, 2008, Bangalore, India. New Jersey: IEEE, 2009: 1-6.
[8]	LIU Wenyin, DENG Xiaotie, HUANG Guanglin, et al.An Antiphishing Strategy Based on Visual Similarity Assessment[J]. IEEE Internet Computing, 2006, 10(2): 58-65.
[9]	ZHANG Yue, HONG J I, CRANOR L F.Cantina: A Content-based Approach to Detecting Phishing Web Sites[C]//ACM. 16th International Conference on World Wide Web, May 8-12, 2007, Banff, Alberta, Canada. New York: ACM, 2007: 639-648.
[10]	CORMEN T H, et al.Introduction to Algorithms[M]. Massachusetts: MIT Press, 2001.
[11]	LIU Wenyin, NING Fang, QUAN Xiaojun, et al.Discovering Phishing Target Based on Semantic Link Network[J]. Future Generation Computer Systems, 2010, 26(3): 381-388.
[12]	VERMA R, DYER K.On the Character of Phishing URLs: Accurate and Robust Statistical Learning Classifiers[C]//ACM. 5th ACM Conference on Data and Application Security and Privacy, March 2-4, 2015, San Antonio, Texas, USA. New York: ACM, 2015: 111-122.
[13]	ZHANG Wei, JIANG Qingshan, CHEN Lifei, et al.Two-stage ELM for Phishing Web Pages Detection Using Hybrid Features[J]. World Wide Web, 2017, 20(4): 797-813.
[14]	姜华,韩安琪,王美佳,等. 基于改进编辑距离的字符串相似度求解算法[J]. 计算机工程,2014,40(1):222-227.
[15]	LIU Wenyin, LIU Gang, QIU Bite, et al.Antiphishing through Phishing Target Discovery[J]. IEEE Internet Computing, 2012, 16(2): 52-61.
[16]	GUANG Xiang, HONG J, ROSE C P, et al.Cantina+: A Feature-rich Machine Learning Framework for Detecting Phishing Web Sites[J]. ACM Transactions on Information and System Security (TISSEC), 2011, 14(2): 21-32.

基于分类置信度和网站特征的钓鱼检测系统

Phishing Detection System Based on Classification Confidence and Website Features

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 16

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.