基于机器学习的钓鱼检测技术研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要工作与创新点 | 第13-14页 |
| 1.4 文章结构设计 | 第14-15页 |
| 第二章 钓鱼检测的技术研究 | 第15-21页 |
| 2.1 网络钓鱼技术研究 | 第15-17页 |
| 2.1.1 钓鱼攻击的主要原理 | 第15-16页 |
| 2.1.2 钓鱼攻击的主要手段 | 第16-17页 |
| 2.2 钓鱼攻击的防御技术研究 | 第17-19页 |
| 2.2.1 基于黑白名单的检测 | 第17-18页 |
| 2.2.2 基于网页内容的检测 | 第18页 |
| 2.2.3 基于网页视觉相似性的检测 | 第18页 |
| 2.2.4 基于启发式引擎的钓鱼检测 | 第18-19页 |
| 2.3 本章小结 | 第19-21页 |
| 第三章 传统机器学习检测算法研究 | 第21-43页 |
| 3.1 传统浅层学习检测方法 | 第21-28页 |
| 3.1.1 逻辑回归 | 第21-24页 |
| 3.1.2 决策树 | 第24-25页 |
| 3.1.3 贝叶斯分类器 | 第25-27页 |
| 3.1.4 传统浅层学习模型优缺点及其性能比较 | 第27-28页 |
| 3.2 经典深度学习检测方法 | 第28-41页 |
| 3.2.1 自动编码器 | 第28-33页 |
| 3.2.2 深度信念网络 | 第33-36页 |
| 3.2.3 卷积神经网络 | 第36-41页 |
| 3.3 深度学习方法优缺点及其性能比较 | 第41-42页 |
| 3.3.1 实验数据结果分析 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 钓鱼检测技术改进及新模型构建 | 第43-55页 |
| 4.1 CNN-DT钓鱼检测模型的提出 | 第43页 |
| 4.2 CNN-DT模型设计及训练步骤 | 第43-46页 |
| 4.3 CNN-DT模型的优化 | 第46-53页 |
| 4.3.1 CNN模型的改进 | 第46-50页 |
| 4.3.2 决策树算法的改进 | 第50-53页 |
| 4.4 模型检测性能 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 CNN-DT实验设计及其结果分析 | 第55-69页 |
| 5.1 实验环境 | 第55页 |
| 5.2 实验数据集 | 第55页 |
| 5.3 实验设计思路及其流程 | 第55-57页 |
| 5.4 实验的具体设计 | 第57-63页 |
| 5.4.1 URL预处理提取 | 第57-59页 |
| 5.4.2 黑白名单检测 | 第59-60页 |
| 5.4.3 网页相似度计算 | 第60页 |
| 5.4.4 特征向量建模 | 第60-63页 |
| 5.5 CNN-DT评估标准 | 第63-64页 |
| 5.6 CNN-DT模型评估 | 第64-67页 |
| 5.7 本章小结 | 第67-69页 |
| 第六章 工作总结与后续研究 | 第69-71页 |
| 6.1 论文工作总结 | 第69页 |
| 6.2 后续研究工作 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-76页 |
