[發明專利]一種融合多源數據的釣魚網站識別方法及系統

有效

• 申請號: 202110321608.4
• 申請日: 2021-03-25
• 公開（公告）號: CN113051500B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 胡忠義;吳江;張碩果
• 申請（專利權）人: 武漢大學
• 主分類號: G06F16/955
• 分類號: G06F16/955;G06F40/289;G06F40/30;G06K9/62;G06N3/04
• 代理公司: 武漢華之喻知識產權代理有限公司 42267
• 代理人: 鄧彥彥;廖盈春

本發明提供一種融合多源數據的釣魚網站識別方法及系統，包括：確定釣魚網站和合法網站樣本；基于網站URL采集各個網站的多源特征數據；并對URL多源特征數據處理后得到網站URL多源特征的高維特征向量；對網站URL進行分詞、分字操作，將詞向量矩陣和字符級向量矩陣進行拼接，得到網站URL的高維特征向量；將網站URL多源特征的高維特征向量和網站URL的高維特征向量拼接，得到各個網站的特征向量；將特征向量和各個網站的標簽組合形成樣本數據集，將樣本數據集輸入到分類模型進行訓練，將訓練好的分類模型作為釣魚網站識別模型；基于釣魚網站識別模型對待識別網站進行識別，判斷其是否為釣魚網站。本發明提供一種高精度的釣魚網站識別方案。

技術領域

本發明屬于釣魚網站識別技術領域，更具體地，涉及一種融合多源數據的釣魚網站識別方法及系統。

背景技術

“釣魚網站”是一種網絡欺詐行為，指不法分子利用各種手段，仿冒真實網站的統一資源定位系統(uniform resource locator；URL)地址以及頁面內容，或者利用真實網站服務器程序上的漏洞在站點的某些網頁中插入危險的HTML代碼，以此來騙取用戶銀行或信用卡賬號、密碼等私人資料。

現有技術可以通過兩次模型的訓練得到最終的判別結果以高效地實現釣魚網站的識別。但是該技術對于特征的選擇相對簡單，沒有考慮到更豐富的特征。另外，現有技術還可以融合字符級特征和單詞級特征，以進行釣魚網站識別，該技術存在問題是：一方面，其對于單詞級特征的提取相對簡單，不能夠提取單詞之間的序列特征，也難以應對新詞的輸入；另一方面，該技術也難以克服分詞的不準確性。此外，現有技術可以融合URL字符級特征和部分多源特征，以進行釣魚網站識別，然而，該技術融合的輸入特征有限，缺乏對URL單詞級特征以及更多多源特征的提取和融合，進而影響模型性能。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種融合多源數據的釣魚網站識別方法及系統，旨在解決現有釣魚網站識別選擇的特征相對簡單，識別性能低的問題。

為實現上述目的，第一方面，本發明提供了一種融合多源數據的釣魚網站識別方法，包括如下步驟：

確定釣魚網站和合法網站兩類訓練樣本，為兩類樣本分別打上兩種不同的標簽；

基于每個網站的URL采集各個網站的多源特征數據；并按照預設標準對采集到的URL多源特征數據選擇處理后得到每個網站URL多源特征的高維特征向量；

對每個網站URL進行分詞操作，得到每個網站URL的詞向量矩陣，并對每個網站URL進行分字操作，得到每個網站URL的字符級向量矩陣，將所述詞向量矩陣和字符級向量矩陣進行拼接，并輸入到神經模型訓練和降維，得到每個網站URL的高維特征向量；

將各個網站URL多源特征的高維特征向量和各個網站URL的高維特征向量拼接，得到各個網站的特征向量；

將所述各個網站的特征向量和各個網站的標簽組合形成樣本數據集，將樣本數據集輸入到分類模型進行訓練，將訓練好的分類模型作為釣魚網站識別模型；所述分類模型用于將接收到的網站分為釣魚網站和合法網站，以識別其中的釣魚網站；

結合采集的待識別網站的特征向量，基于所述釣魚網站識別模型對所述待識別網站進行識別，判斷其是否屬于釣魚網站。

在一個可選的示例中，所述各個網站URL的多源特征數據，包括：URL序列特征、網站內容特征、網站代碼特征、搜索引擎優化SEO網站對該網站的評價數據以及社交網站對該網站的轉發熱度。

在一個可選的示例中，所述按照預設標準對采集到的URL多源特征數據選擇處理后得到每個網站URL多源特征的高維特征向量，具體為：