SLW：轻量级自学习网页恶意检测方法

"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。