CN104537303A - 一种钓鱼网站鉴别***及鉴别方法 - Google Patents
一种钓鱼网站鉴别***及鉴别方法 Download PDFInfo
- Publication number
- CN104537303A CN104537303A CN201410844603.XA CN201410844603A CN104537303A CN 104537303 A CN104537303 A CN 104537303A CN 201410844603 A CN201410844603 A CN 201410844603A CN 104537303 A CN104537303 A CN 104537303A
- Authority
- CN
- China
- Prior art keywords
- url
- module
- website
- unknown
- fishing website
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9558—Details of hyperlinks; Management of linked annotations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种钓鱼网站鉴别***及鉴别方法,包括已知解析单元、未知解析单元和检测模块,其中,已知解析单元至少包括第一特征提取模块和分类训练模块,第一特征提取模块用于提取已知钓鱼网站URL或源码的特征向量,分类训练模块用于对已知钓鱼网站URL或源码的特征向量进行分类训练得到的特征模型,并存入检测模块中;未知解析单元至少包括第二特征提取模块,第二特征提取模块用于提取未知网站URL或源码的特征向量,并存入检测模块中。本发明提供一种钓鱼网站鉴别***及鉴别方法,学习效率高、分类训练速度快、训练时间短,提高了钓鱼网站的鉴别速度,另外,采用多特征向量提取方法有助于增加分类的精度,提高特征向量分类的准确性。
Description
技术领域
本发明涉及网站安全检测技术,尤其涉及一种钓鱼网站鉴别***及鉴别方法,属于信息技术安全领域。
背景技术
钓鱼网站是一种在线欺诈的手段,它模仿合法网站的网址与页面布局,迷惑互联网用户。使用钓鱼网站进行在线诈骗的流程如下:首先钓鱼网站设计者建立钓鱼网站,然后通过手机短信、电子邮件、即时通讯工具或者通过社区发布钓鱼网站的网址,互联网用户向假冒的网站提交个人信息,网站获取并记录信息,进而盗取用户信息,并进行其他诈骗活动。钓鱼网站的网址或页面与合法网站有高度的相似性,用户往往难以辨别。钓鱼网站不仅给互联网用户带来经济损失,也给仿冒的目标带来名誉损失。
目前,传统的钓鱼网站检测方法存在以下问题:基于黑名单的技术无法处理新出现的钓鱼网站,检出率比较低,并且随着黑名单中钓鱼网站样本数量的增加,计算量增加;大多数基于启发式的技术是基于网站特征与分类算法,提取的网站特征能否充分表达钓鱼网站,分类算法是否简单可行,是决定鉴别结果的关键。然而目前大多数的基于启发式的技术复杂度高、误报率高,无法满足数目快速增长的钓鱼网站的检测防御需要。因此,选取合理的网站特征、采用高效的分类方法才能应对复杂多变的网络环境。
发明内容
本发明所要解决的技术问题是提供一种钓鱼网站鉴别***及鉴别方法,以解决传统钓鱼网站鉴别***误报率高、鉴别时间长的问题。
为了达到上述发明创造目的,本发明采用了如下的技术方案:
一种钓鱼网站鉴别***,包括已知解析单元、未知解析单元和检测模块,所述检测模块分别与所述已知解析单元、未知解析单元连接,其中,所述已知解析单元至少包括第一特征提取模块和分类训练模块,所述第一特征提取模块用于提取已知钓鱼网站URL或源码的特征向量,所述分类训练模块用于对已知钓鱼网站URL或源码的特征向量进行分类训练得到的特征模型,并存入所述检测模块中;所述未知解析单元至少包括第二特征提取模块,所述第二特征提取模块用于提取未知网站URL或源码的特征向量,并存入所述检测模块中。
进一步地,所述第一特征提取模块与所述分类训练模块连接,所述检测模块分别与所述分类训练模块、第二特征提取模块连接,所述检测模块用于将未知特征向量与特征模型对比。
进一步地,所述已知解析单元还包括第一获取模块,所述第一获取模块与所述第一特征提取模块连接,用于获取已知钓鱼网站的URL或源码,并发送至所述第一特征提取模块。
进一步地,所述未知解析单元还包括第二获取模块,所述第二获取模块与所述第二特征提取模块连接,用于获取未知网站的URL或源码,并发送至所述第二特征提取模块。
钓鱼网站鉴别方法,包括以下步骤:
(1)获取已知钓鱼网站的URL或源码,提取已知钓鱼网站URL或源码的特征向量;
(2)对已知特征向量进行分类训练解析,建立特征模型;
(3)获取未知网站的URL或源码,提取未知网站URL或源码的特征向量;
(4)将未知特征向量与所述特征模型进行对比分析,做出判定。
进一步地,所述特征向量包括URL特征、域名特征和链接关系特征。
进一步地,URL特征包括URL长度、字符、IP地址、网站访问量和与已知钓鱼网站链接的URL数量。
进一步地,所述域名特征包括子域名数量、域名信息和域名创建时间。
进一步地,所述链接关系为网站内、外链接关系。
本发明的有益效果:
本发明提供一种钓鱼网站鉴别***及鉴别方法,采用极限学习机算法学习单层前馈神经网络,对特征向量进行分类训练时不需要进行迭代,学习效率高,提高了分类训练速度,极大地减少训练时间,提高了钓鱼网站的鉴别速度,另外,采用多特征向量提取方法有助于增加分类的精度,提高特征向量分类的准确性。
附图说明
图1是本发明实施例钓鱼网站鉴别***的示意图。
图2是本发明实施例钓鱼网站鉴别方法的流程图。
具体实施方式
为了更好地阐述本发明的技术特点和结构,以下结合本发明的优选实施例及其附图进行详细描述。
参阅图1、图2,一种钓鱼网站鉴别***,包括已知解析单元、未知解析单元和检测模块20,检测模块20分别与已知解析单元、未知解析单元连接,其中,已知解析单元至少包括第一特征提取模块31和分类训练模块30,第一特征提取模块31用于提取已知钓鱼网站URL或源码的特征向量,分类训练模块30用于对已知钓鱼网站URL或源码的特征向量进行分类训练得到的特征模型,并存入检测模块20中;未知解析单元至少包括第二特征提取模块11,第二特征提取模块11用于提取未知网站URL或源码的特征向量,并存入检测模块20中。
具体地,第一特征提取模块31与分类训练模块30连接,检测模块20分别与分类训练模块30、第二特征提取模块11连接,检测模块20用于将未知特征向量与特征模型对比。另外,已知解析单元还包括第一获取模块32,第一获取模块32与第一特征提取模块31连接,用于获取已知钓鱼网站的URL或源码,并发送至第一特征提取模块31;未知解析单元还包括第二获取模块12,第二获取模块12与第二特征提取模块11连接,用于获取未知网站的URL或源码,并发送至第二特征提取模块11。
本实施例还提供一种钓鱼网站鉴别方法,包括以下步骤:
(S1)获取已知钓鱼网站的URL或源码,提取已知钓鱼网站URL或源码的特征向量;
(S2)对已知特征向量进行分类训练解析,建立特征模型;
(S3)获取未知网站的URL或源码,提取未知网站URL或源码的特征向量;
(S4)将未知特征向量与特征模型进行对比分析,做出判定。
具体地,特征向量包括URL特征、域名特征和链接关系特征。其中,URL特征包括URL长度、字符、IP地址、网站访问量和与已知钓鱼网站链接的URL数量;域名特征包括子域名数量、域名信息和域名创建时间;链接关系为网站内、外链接关系。
需要说明的是,首先,该第一特征提取模块31和第二特征提取模块11分别用于提取已知钓鱼网站和未知网站的URL长度、字符、IP地址、网站的访问量、与已知钓鱼网站链接的URL数量、子域名数量、域名信息、域名创建时间和网站内、外链接关系。该第一特征提取模块31和第二特征提取模块11具体的提取方法如下:
(1)URL特征提取
提取URL长度。定义URL长度为data1,定义URL长度的特征值为53,判断data1是否大于53,如果大于53,则data1的特征值记为1,如果小于等于53,则data1的特征值记为0。
提取字符。定义字符为data2,判断URL中是否包含data2,如果包含data2,则data2的特征值为1,如果不包含data2,data2的特征值为0。
提取IP地址。定义IP地址为data3,判断URL中是否包含data3,如果包含data3,则data3的特征值为1,如果不包含data3 data3的特征值为0。
提取网站的访问量。定义网站的访问量为data4,将URL提交到查询网站查询,如果返回数值小于等于150000,则data4的特征值为0,如果返回数值大于150000,则data4的特征值为1。其中,本实施例网站访问量查询网站为http://data.alexa.com/。
提取与已知钓鱼网站链接的URL数量。定义与已知钓鱼网站链接的URL数量为data5,将URL提交到查询网站查询,如果数量大于10,则data5的特征值为0,如果数量小于等于10,则data5的特征值为1。其中,本实施例与已知网站链接的URL数量查询网站为http://data.alexa.com/。
(2)域名特征提取
提取子域名数量。定义子域名数量为data6,统计URL点的个数,如果URL点的个数大于3,则data6的特征值为1,如果URL点的个数小于等于3,data6的特征值为0。
提取域名信息。定义域名信息为data7,将URL提交到域名查询网站获取域名记录信息,如果无法查询到域名信息,则data7的特征值为1,如果查询到域名信息,则data7的特征值为0。其中,本实施例域名查询网站为http://whoissoft.com。
提取域名创建时间。定义域名创建时间为data8,将URL提交到域名查询网站获取域名创建时间,如果无法查询到域名创建时间或者域名创建时间小于两年,则data8的特征值为1,如果查询到域名创建时间大于等于两年,则data8的特征值为0。其中,本实施例域名查询网站为http://whoissoft.com。
(3)链接关系提取
提取网站内、外链接关系。定义网站内、外链接关系为data9,在提交的源码中统计网站的内、外链接数量,分为记为NIn与NEx,如果NIn与NEx之比大于1,则data9的特征值为0,如果NIn与NEx之比小于等于1,则data9的特征值为1。
其次,分类训练模块30基于极速学习机,采用单层前馈神经网络,应用极限学习机算法训练得到钓鱼网站的特征模型。具体地,假设有N个样本的训练集为{X,T},其中,X=[x1,x2,...,xN]T为网站的特征,T=[t1,t2,...,tN]T为类别标签,将钓鱼网站定义为1,合法网站定义为0,应用极限学习机训练单层前馈神经网络进行分类,其步骤如下:
(1)将训练数据样本提交到分类训练模块30,设置隐藏层节点数量K,随机分配输入层权重w与隐藏层偏差b,计算隐藏层节点的输出:
其中,wj=[wj1,wj2,...wjn](j=1,2,...K,n=1,2,...,9)连接第j个隐藏层节点与输入数据datai的权重;xi=[datai1,datai2,...datain]T是第i个网站的特征,N是样本数;g(w,x,b)是激活函数,设置为sigmoid函数,该sigmoid函数为:
g(w,x,b)=1/(1+exp(-(w·x+b)))
对应于输入xi的输出为oi:
其中,βj=[βj1,βj2,...,βjm]T是连接第j个隐藏层神经元与输出神经元的权重,其中m为每一个特征标签ti的维数,本实施例中m为1。
(2)计算H↑。如果HTH是非奇异矩阵,那么H↑=(HTH)-1HT;如果HHT是非奇异矩阵,那么H↑=HT(HHT)-1。
(3)计算隐藏层与输出神经元之间的权重,为
最后,检测模块20以该分类训练模块30中的特征模型对未知网站进行是否为钓鱼网站的判定,保存分类训练模块30中极限学习机的输入权重w、隐藏层偏差b和隐藏层与输出神经元的权重对于一个未知网站,首先根据提交的URL和源码,通过特征提取模块提取特征向量,然后将特征向量存入到检测模块20中,根据上述公式计算隐藏层节点输出H和神经网络的输出如果其数值大于0.5,则为钓鱼网站,如果其数值小于等于0.5,则为合法网站。
综上所述,本发明提供一种钓鱼网站鉴别***及鉴别方法,采用极限学习机算法学习单层前馈神经网络,对特征向量进行分类训练时不需要进行迭代,学习效率高,提高了分类训练速度,极大地减少训练时间,提高了钓鱼网站的鉴别速度,另外,采用多特征向量提取方法有助于增加分类的精度,提高特征向量分类的准确性。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种钓鱼网站鉴别***,包括已知解析单元、未知解析单元和检测模块(20),所述检测模块(20)分别与所述已知解析单元、未知解析单元连接,其特征在于,所述已知解析单元至少包括第一特征提取模块(31)和分类训练模块(30),所述第一特征提取模块(31)用于提取已知钓鱼网站URL或源码的特征向量,所述分类训练模块(30)用于对已知钓鱼网站URL或源码的特征向量进行分类训练得到的特征模型,并存入所述检测模块(20)中;所述未知解析单元至少包括第二特征提取模块(11),所述第二特征提取模块(11)用于提取未知网站URL或源码的特征向量,并存入所述检测模块(20)中。
2.根据权利要求1所述的钓鱼网站鉴别***,其特征在于,所述第一特征提取模块(31)与所述分类训练模块(30)连接,所述检测模块(20)分别与所述分类训练模块(30)、第二特征提取模块(11)连接,所述检测模块(20)用于将未知特征向量与特征模型对比。
3.根据权利要求2所述的钓鱼网站鉴别***,其特征在于,所述已知解析单元还包括第一获取模块(32),所述第一获取模块(32)与所述第一特征提取模块(31)连接,用于获取已知钓鱼网站的URL或源码,并发送至所述第一特征提取模块(31)。
4.根据权利要求2所述的钓鱼网站鉴别***,其特征在于,所述未知解析单元还包括第二获取模块(12),所述第二获取模块(12)与所述第二特征提取模块(11)连接,用于获取未知网站的URL或源码,并发送至所述第二特征提取模块(11)。
5.如权利要求1至4所述***的钓鱼网站鉴别方法,其特征在于,包括以下步骤:
(1)获取已知钓鱼网站的URL或源码,提取已知钓鱼网站URL或源码的特征向量;
(2)对已知特征向量进行分类训练解析,建立特征模型;
(3)获取未知网站的URL或源码,提取未知网站URL或源码的特征向量;
(4)将未知特征向量与所述特征模型进行对比分析,做出判定。
6.根据权利要求5所述的钓鱼网站鉴别方法,其特征在于,所述特征向量包括URL特征、域名特征和链接关系特征。
7.根据权利要求6所述的钓鱼网站鉴别方法,其特征在于,URL特征包括URL长度、字符、IP地址、网站访问量和与已知钓鱼网站链接的URL数量。
8.根据权利要求6所述的钓鱼网站鉴别方法,其特征在于,所述域名特征包括子域名数量、域名信息和域名创建时间。
9.根据权利要求6所述的钓鱼网站鉴别方法,其特征在于,所述链接关系为网站内、外链接关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410844603.XA CN104537303B (zh) | 2014-12-30 | 2014-12-30 | 一种钓鱼网站鉴别***及鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410844603.XA CN104537303B (zh) | 2014-12-30 | 2014-12-30 | 一种钓鱼网站鉴别***及鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537303A true CN104537303A (zh) | 2015-04-22 |
CN104537303B CN104537303B (zh) | 2017-10-24 |
Family
ID=52852825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410844603.XA Active CN104537303B (zh) | 2014-12-30 | 2014-12-30 | 一种钓鱼网站鉴别***及鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537303B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338001A (zh) * | 2015-12-04 | 2016-02-17 | 北京奇虎科技有限公司 | 识别钓鱼网站的方法及装置 |
CN106713335A (zh) * | 2016-12-30 | 2017-05-24 | 山石网科通信技术有限公司 | 恶意软件的识别方法及装置 |
WO2017114290A1 (zh) * | 2015-12-31 | 2017-07-06 | 武汉安天信息技术有限责任公司 | 一种样本关联性检测方法、***、电子设备以及存储介质 |
CN107204956A (zh) * | 2016-03-16 | 2017-09-26 | 腾讯科技(深圳)有限公司 | 网站识别方法及装置 |
CN107346388A (zh) * | 2017-07-03 | 2017-11-14 | 四川无声信息技术有限公司 | Web攻击检测方法及装置 |
CN107423817A (zh) * | 2017-04-17 | 2017-12-01 | 星环信息科技(上海)有限公司 | 一种深度学习实现的方法及设备 |
CN107463844A (zh) * | 2016-06-06 | 2017-12-12 | 国家计算机网络与信息安全管理中心 | Web木马检测方法及*** |
CN108282450A (zh) * | 2017-01-06 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 异常域名的检测方法及装置 |
CN109450853A (zh) * | 2018-10-11 | 2019-03-08 | 深圳市腾讯计算机***有限公司 | 恶意网站判定方法、装置、终端及服务器 |
WO2019128529A1 (zh) * | 2017-12-28 | 2019-07-04 | 阿里巴巴集团控股有限公司 | Url攻击检测方法、装置以及电子设备 |
CN110191124A (zh) * | 2019-05-29 | 2019-08-30 | 哈尔滨安天科技集团股份有限公司 | 基于web前端开发数据的网站鉴别方法、装置及存储设备 |
CN111181922A (zh) * | 2019-12-06 | 2020-05-19 | 北京中睿天下信息技术有限公司 | 一种钓鱼链接检测方法及*** |
CN111488621A (zh) * | 2019-01-25 | 2020-08-04 | 深信服科技股份有限公司 | 一种篡改网页检测方法、***及电子设备和存储介质 |
CN111538929A (zh) * | 2020-07-08 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 网络链接识别方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7958555B1 (en) * | 2007-09-28 | 2011-06-07 | Trend Micro Incorporated | Protecting computer users from online frauds |
CN103685307A (zh) * | 2013-12-25 | 2014-03-26 | 北京奇虎科技有限公司 | 基于特征库检测钓鱼欺诈网页的方法及***、客户端、服务器 |
-
2014
- 2014-12-30 CN CN201410844603.XA patent/CN104537303B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7958555B1 (en) * | 2007-09-28 | 2011-06-07 | Trend Micro Incorporated | Protecting computer users from online frauds |
CN103685307A (zh) * | 2013-12-25 | 2014-03-26 | 北京奇虎科技有限公司 | 基于特征库检测钓鱼欺诈网页的方法及***、客户端、服务器 |
Non-Patent Citations (1)
Title |
---|
王婷: "基于RFE-SVM的钓鱼网页识别技术的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105338001A (zh) * | 2015-12-04 | 2016-02-17 | 北京奇虎科技有限公司 | 识别钓鱼网站的方法及装置 |
WO2017114290A1 (zh) * | 2015-12-31 | 2017-07-06 | 武汉安天信息技术有限责任公司 | 一种样本关联性检测方法、***、电子设备以及存储介质 |
CN107204956B (zh) * | 2016-03-16 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 网站识别方法及装置 |
CN107204956A (zh) * | 2016-03-16 | 2017-09-26 | 腾讯科技(深圳)有限公司 | 网站识别方法及装置 |
CN107463844A (zh) * | 2016-06-06 | 2017-12-12 | 国家计算机网络与信息安全管理中心 | Web木马检测方法及*** |
CN107463844B (zh) * | 2016-06-06 | 2020-08-25 | 国家计算机网络与信息安全管理中心 | Web木马检测方法及*** |
CN106713335A (zh) * | 2016-12-30 | 2017-05-24 | 山石网科通信技术有限公司 | 恶意软件的识别方法及装置 |
CN106713335B (zh) * | 2016-12-30 | 2020-10-30 | 山石网科通信技术股份有限公司 | 恶意软件的识别方法及装置 |
CN108282450A (zh) * | 2017-01-06 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 异常域名的检测方法及装置 |
CN107423817B (zh) * | 2017-04-17 | 2020-09-01 | 星环信息科技(上海)有限公司 | 一种深度学习实现的方法及设备 |
CN107423817A (zh) * | 2017-04-17 | 2017-12-01 | 星环信息科技(上海)有限公司 | 一种深度学习实现的方法及设备 |
CN107346388B (zh) * | 2017-07-03 | 2020-06-02 | 四川无声信息技术有限公司 | Web攻击检测方法及装置 |
CN107346388A (zh) * | 2017-07-03 | 2017-11-14 | 四川无声信息技术有限公司 | Web攻击检测方法及装置 |
TWI706273B (zh) * | 2017-12-28 | 2020-10-01 | 香港商阿里巴巴集團服務有限公司 | 統一資源定位符(url)攻擊檢測方法、裝置及電子設備 |
WO2019128529A1 (zh) * | 2017-12-28 | 2019-07-04 | 阿里巴巴集团控股有限公司 | Url攻击检测方法、装置以及电子设备 |
US10785241B2 (en) | 2017-12-28 | 2020-09-22 | Alibaba Group Holding Limited | URL attack detection method and apparatus, and electronic device |
CN109450853B (zh) * | 2018-10-11 | 2022-02-18 | 深圳市腾讯计算机***有限公司 | 恶意网站判定方法、装置、终端及服务器 |
CN109450853A (zh) * | 2018-10-11 | 2019-03-08 | 深圳市腾讯计算机***有限公司 | 恶意网站判定方法、装置、终端及服务器 |
CN111488621A (zh) * | 2019-01-25 | 2020-08-04 | 深信服科技股份有限公司 | 一种篡改网页检测方法、***及电子设备和存储介质 |
CN110191124A (zh) * | 2019-05-29 | 2019-08-30 | 哈尔滨安天科技集团股份有限公司 | 基于web前端开发数据的网站鉴别方法、装置及存储设备 |
CN110191124B (zh) * | 2019-05-29 | 2022-02-22 | 安天科技集团股份有限公司 | 基于web前端开发数据的网站鉴别方法、装置及存储设备 |
CN111181922A (zh) * | 2019-12-06 | 2020-05-19 | 北京中睿天下信息技术有限公司 | 一种钓鱼链接检测方法及*** |
CN111538929A (zh) * | 2020-07-08 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 网络链接识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104537303B (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104537303A (zh) | 一种钓鱼网站鉴别***及鉴别方法 | |
CN104408153A (zh) | 一种基于多粒度主题模型的短文本哈希学习方法 | |
CN105224872A (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN105389505B (zh) | 基于栈式稀疏自编码器的托攻击检测方法 | |
CN103530367A (zh) | 一种钓鱼网站鉴别***和方法 | |
CN109711883A (zh) | 基于U-Net网络的互联网广告点击率预估方法 | |
CN109450845A (zh) | 一种基于深度神经网络的算法生成恶意域名检测方法 | |
CN103544436A (zh) | 一种钓鱼网站鉴别***和方法 | |
CN107947921A (zh) | 基于递归神经网络和概率上下文无关文法的密码生成*** | |
CN113422761B (zh) | 基于对抗学习的恶意社交用户检测方法 | |
CN102291392A (zh) | 一种基于Bagging算法的复合式入侵检测方法 | |
CN106844407A (zh) | 基于数据集相关性的标签网络产生方法和*** | |
Song et al. | A method of intrusion detection based on WOA‐XGBoost algorithm | |
Vieira et al. | Performance evaluation of modularity based community detection algorithms in large scale networks | |
CN104965863A (zh) | 一种对象聚类方法和装置 | |
Cui et al. | Learning aligned vertex convolutional networks for graph classification | |
CN107908757A (zh) | 网站分类方法及*** | |
Jha et al. | Criminal behaviour analysis and segmentation using k-means clustering | |
Wei et al. | [Retracted] Analysis and Risk Assessment of Corporate Financial Leverage Using Mobile Payment in the Era of Digital Technology in a Complex Environment | |
Saikia et al. | Modelling social context for fake news detection: a graph neural network based approach | |
Wang et al. | An improved clustering method for detection system of public security events based on genetic algorithm and semisupervised learning | |
CN106330861A (zh) | 一种网址检测方法及装置 | |
Zhou et al. | Local community detection algorithm based on minimal cluster | |
Wang et al. | Community discovery algorithm of complex network attention model | |
Yang et al. | Reliability assessment of CNC machining center based on Weibull neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |