| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究目标及内容 | 第15-16页 |
| 1.3 论文组织结构 | 第16-17页 |
| 第二章 钓鱼网站检测及深度学习相关研究 | 第17-30页 |
| 2.1 网络钓鱼 | 第17-20页 |
| 2.1.1 网络钓鱼攻击流程 | 第17-18页 |
| 2.1.2 网络钓鱼传播途径 | 第18-20页 |
| 2.2 钓鱼网站检测研究现状 | 第20-25页 |
| 2.2.1 基于黑白名单过滤的钓鱼检测机制 | 第20-21页 |
| 2.2.2 基于页面相似性的钓鱼检测机制 | 第21页 |
| 2.2.3 基于启发式的钓鱼检测机制 | 第21-22页 |
| 2.2.4 基于机器学习的钓鱼检测机制 | 第22-24页 |
| 2.2.5 总结分析 | 第24-25页 |
| 2.3 深度学习相关研究 | 第25-29页 |
| 2.3.1 卷积神经网络 | 第25-26页 |
| 2.3.2 循环神经网络 | 第26-27页 |
| 2.3.3 长短期记忆网络 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于CNN和LSTM的钓鱼URL检测 | 第30-38页 |
| 3.1 主要问题与研究思路 | 第30-31页 |
| 3.2 整体技术框架 | 第31-33页 |
| 3.3 CNN-LSTM-PUDA算法 | 第33-37页 |
| 3.3.1 URL字符嵌入表示 | 第33-34页 |
| 3.3.2 CNN-LSTM分类 | 第34-36页 |
| 3.3.3 模型训练 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 面向双结构网络的钓鱼网站检测 | 第38-51页 |
| 4.1 主要问题与研究思路 | 第38-39页 |
| 4.2 PWD-DSN总体流程 | 第39-40页 |
| 4.3 钓鱼网站黑名单和白名单过滤 | 第40-42页 |
| 4.4 结合深度URL特征的多元特征融合方法 | 第42-49页 |
| 4.4.1 URL特征 | 第42-45页 |
| 4.4.2 网页源码特征 | 第45-46页 |
| 4.4.3 网页文本特征 | 第46-47页 |
| 4.4.4 特征融合方法MFFCDUF | 第47-49页 |
| 4.5 钓鱼网站二级检测算法 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 原型系统实现与实验分析 | 第51-63页 |
| 5.1 原型系统设计与实现 | 第51-54页 |
| 5.1.1 原型系统设计 | 第51-52页 |
| 5.1.2 原型系统实现 | 第52-54页 |
| 5.2 实验测试与分析 | 第54-62页 |
| 5.2.1 实验数据 | 第54-55页 |
| 5.2.2 评价指标 | 第55-56页 |
| 5.2.3 CNN-LSTM-PUDA算法实验与分析 | 第56-59页 |
| 5.2.4 MFFCDUF特征融合方法实验与分析 | 第59-61页 |
| 5.2.5 TLDA二级检测算法实验与分析 | 第61-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第六章 论文总结与未来工作 | 第63-64页 |
| 6.1 论文总结 | 第63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 硕士期间完成工作 | 第69页 |