| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究意义及背景 | 第12-13页 |
| 1.2 恶意网页检测技术及国内外研究现状 | 第13-16页 |
| 1.3 现有的搜索引擎检测工具 | 第16-17页 |
| 1.3.1 SiteAdvisor | 第17页 |
| 1.3.2 WOT(Web of trust) | 第17页 |
| 1.3.3 猎豹浏览器安全铠甲 | 第17页 |
| 1.4 本文的工作 | 第17-18页 |
| 1.5 本文的结构安排 | 第18-19页 |
| 第2章 搜索引擎恶意网页检测相关知识介绍 | 第19-29页 |
| 2.1 恶意网页及其逃避技术 | 第19-20页 |
| 2.1.1 网址重定向技术 | 第19-20页 |
| 2.1.2 代码混淆技术 | 第20页 |
| 2.2 搜索引擎作弊 | 第20-21页 |
| 2.3 机器学习的概念 | 第21页 |
| 2.4 分类算法分析 | 第21-28页 |
| 2.4.1 朴素贝叶斯算法 | 第22页 |
| 2.4.2 支持向量机算法 | 第22-24页 |
| 2.4.3 K 最近邻(KNN)算法 | 第24-25页 |
| 2.4.4 决策树算法 | 第25-27页 |
| 2.4.5 AdaBoost 算法 | 第27-28页 |
| 2.5 小结 | 第28-29页 |
| 第3章 基于决策树的搜索引擎恶意网页检测模型 | 第29-44页 |
| 3.1 引言 | 第29页 |
| 3.2 搜索引擎恶意网页研究 | 第29-31页 |
| 3.3 搜索引擎恶意网页检测框架 | 第31-32页 |
| 3.4 恶意网页特征选择 | 第32-41页 |
| 3.4.1 URL 特征 | 第32-33页 |
| 3.4.2 HTTP 响应头和 HTML 特征 | 第33-35页 |
| 3.4.3 JavaScript 脚本特征 | 第35-38页 |
| 3.4.4 Google 的 PageRank 值及搜索结果特征 | 第38页 |
| 3.4.5 Alexa 特征 | 第38-39页 |
| 3.4.6 域名特征 | 第39-40页 |
| 3.4.7 WOT 网站声誉特征 | 第40-41页 |
| 3.5 网页特征提取技术 | 第41-43页 |
| 3.5.1 HTML 及 XML 网页解析 | 第41-42页 |
| 3.5.2 字符串匹配 | 第42-43页 |
| 3.6 小结 | 第43-44页 |
| 第4章 搜索引擎恶意网页检测模型生成与实现 | 第44-56页 |
| 4.1 数据收集 | 第44-45页 |
| 4.2 实验环境及分类平台 Weka | 第45-46页 |
| 4.2.1 实验环境 | 第45页 |
| 4.2.2 分类平台 Weka | 第45-46页 |
| 4.3 恶意网页检测模型生成 | 第46-49页 |
| 4.3.1 分类器性能指标 | 第46页 |
| 4.3.2 分类结果及分析 | 第46-49页 |
| 4.4 检测模型在 Chrome 的实现 | 第49-55页 |
| 4.4.1 Chrome 扩展开发思路 | 第50-52页 |
| 4.4.2 搜索引擎网页检测流程 | 第52-54页 |
| 4.4.3 搜索引擎网页检测效率 | 第54-55页 |
| 4.5 小结 | 第55-56页 |
| 结论 | 第56-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文 | 第64-65页 |
| 附录B 攻读硕士期间参加的科研项目 | 第65页 |