基于K-Means和SVM的钓鱼网站识别的研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究意义 | 第10-13页 |
| 1.2 国内外反钓鱼机构现状 | 第13-15页 |
| 1.3 反钓鱼技术的研究现状 | 第15-17页 |
| 1.4 本论文主要研究内容 | 第17页 |
| 1.5 本文组织结构 | 第17-19页 |
| 第2章 钓鱼网站特征分析及检测原理 | 第19-30页 |
| 2.1 钓鱼网站传播方式 | 第19页 |
| 2.2 常见几类钓鱼网站 | 第19-24页 |
| 2.3 反钓鱼系统改进思路 | 第24页 |
| 2.4 聚类中心的获取 | 第24-26页 |
| 2.4.1 K-Means算法 | 第25页 |
| 2.4.2 基于模拟退火算法的K-Means算法 | 第25-26页 |
| 2.5 SVM算法 | 第26-29页 |
| 2.5.1 SVM算法简介 | 第26页 |
| 2.5.2 SVM工作的核心思路 | 第26-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 新型钓鱼网站识别模块设计 | 第30-42页 |
| 3.1 目标网站的获取及内容处理 | 第30-33页 |
| 3.2 计算网页之间的相似度 | 第33-35页 |
| 3.3 网站特征提取 | 第35-38页 |
| 3.4 K-Means与SVM相结合 | 第38-40页 |
| 3.5 基于模拟退火的K-Means | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 系统设计 | 第42-51页 |
| 4.1 系统结构 | 第42-49页 |
| 4.1.1 URL黑名单匹配模块 | 第42-43页 |
| 4.1.2 样本及特征收集模块 | 第43-45页 |
| 4.1.3 保存文本过程中网页编码转换 | 第45页 |
| 4.1.4 聚类及分组模块 | 第45-46页 |
| 4.1.5 计算域名相似度 | 第46-47页 |
| 4.1.6 计算灰度相似度 | 第47-48页 |
| 4.1.7 SVM模块 | 第48页 |
| 4.1.8 系统完整工作流程 | 第48-49页 |
| 4.2 缩放特征 | 第49-50页 |
| 4.3 特征选择 | 第50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果及分析 | 第51-55页 |
| 5.1 实验条件 | 第51页 |
| 5.2 实验结果 | 第51-53页 |
| 5.3 实验结果分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第61页 |
