SLW:轻量级自学习网页恶意检测方法
93 浏览量
更新于2024-08-31
收藏 951KB PDF 举报
"轻量级的自学习网页分类方法 - 沙泓州, 周舟, 刘庆云, 秦鹏 - 2014年9月《通信学报》"
本文介绍了一种创新的网页分类方法,称为SLW(Self-learning Light-weight)方法,由沙泓州、周舟、刘庆云和秦鹏共同提出。SLW方法专注于恶意网页的检测,特别是在URL分类和黑名单管理方面。该方法的核心在于引入了“访问关系”的概念,这是一个新颖的视角,使得系统能够具有反馈和自学习的能力。
在传统的网页分类方法中,通常依赖于预定义的特征或模式来识别恶意网站。然而,SLW方法则从已知的恶意网页集合出发,通过分析用户的访问行为,特别是那些被标记为可信度低的用户,来挖掘潜在的恶意网页。这种方法的优势在于它能动态地更新和改进其分类策略,不断学习和适应网络环境的变化。
SLW首先自动识别出与恶意网页关联的低可信度用户,然后分析这些用户访问的其他网页,寻找可能隐藏的恶意网址。这种基于用户访问关系的分析方法,能够更有效地发现未知的恶意网址,因为它考虑了用户行为模式的上下文信息。
实验结果显示,SLW在相同的测试数据集上,相比于传统的检测技术,不仅显著提升了恶意网页的检测准确率,还极大地减少了平均检测时间。这表明SLW在性能和效率上都具有显著优势,对于实时监控和预防网络威胁具有重要的应用价值。
关键词:URL分类 - 这是SLW方法的主要应用场景,通过分类URL来识别恶意网站。
黑名单 - SLW利用黑名单作为起点,进一步扩展到未知的恶意网址。
访问关系 - 这是SLW的核心创新,通过分析用户对网页的访问模式来提升检测效果。
恶意网页 - SLW专注于检测和防止恶意网页的传播,保护用户免受网络攻击。
网页评价 - SLW通过评估用户访问关系来评价网页的安全性。
SLW方法提供了一个高效且适应性强的网页分类解决方案,尤其在应对网络环境中不断变化的恶意活动时,它的自学习能力使其成为一种颇具前景的技术。
2022-07-12 上传
2023-08-11 上传
2021-02-03 上传
2021-04-29 上传
2023-08-27 上传
2022-10-15 上传
2021-06-07 上传
2022-11-21 上传
2021-01-31 上传
weixin_38589812
- 粉丝: 4
- 资源: 920
最新资源
- WPF渲染层字符绘制原理探究及源代码解析
- 海康精简版监控软件:iVMS4200Lite版发布
- 自动化脚本在lspci-TV的应用介绍
- Chrome 81版本稳定版及匹配的chromedriver下载
- 深入解析Python推荐引擎与自然语言处理
- MATLAB数学建模算法程序包及案例数据
- Springboot人力资源管理系统:设计与功能
- STM32F4系列微控制器开发全面参考指南
- Python实现人脸识别的机器学习流程
- 基于STM32F103C8T6的HLW8032电量采集与解析方案
- Node.js高效MySQL驱动程序:mysqljs/mysql特性和配置
- 基于Python和大数据技术的电影推荐系统设计与实现
- 为ripro主题添加Live2D看板娘的后端资源教程
- 2022版PowerToys Everything插件升级,稳定运行无报错
- Map简易斗地主游戏实现方法介绍
- SJTU ICS Lab6 实验报告解析