基于深度学习的钓鱼网站检测技术的研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文研究工作与创新 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第二章 相关技术研究 | 第16-29页 |
| 2.1 网络钓鱼 | 第16-18页 |
| 2.1.1 网络钓鱼攻击原理 | 第16-17页 |
| 2.1.2 钓鱼攻击形式分析 | 第17-18页 |
| 2.2 攻击类别 | 第18-22页 |
| 2.2.1 结合URL字符的钓鱼攻击技术 | 第18页 |
| 2.2.2 结合Web漏洞的钓鱼技术 | 第18-20页 |
| 2.2.3 伪造Email地址结合钓鱼技术 | 第20-21页 |
| 2.2.4 浏览器漏洞结合钓鱼技术 | 第21-22页 |
| 2.3 反钓鱼攻击技术 | 第22-28页 |
| 2.3.1 基于黑白名单的检测技术 | 第22-23页 |
| 2.3.2 基于相似度的检测技术 | 第23-25页 |
| 2.3.3 基于特征的启发式检测技术 | 第25-28页 |
| 2.4 本章小节 | 第28-29页 |
| 第三章 基于深度学习的钓鱼网站检测方法设计与实现 | 第29-56页 |
| 3.1 典型的钓鱼检测技术比较 | 第29-30页 |
| 3.2 总体框架设计和流程 | 第30-32页 |
| 3.3 URL过滤器 | 第32-34页 |
| 3.4 特征提取模块 | 第34-46页 |
| 3.4.1 URL特征提取方法 | 第35-38页 |
| 3.4.2 URL特征提取的实现 | 第38-40页 |
| 3.4.3 网页特征提取方法 | 第40-44页 |
| 3.4.4 网页特征提取的实现 | 第44-46页 |
| 3.5 白名单爬取模块 | 第46-48页 |
| 3.6 相似度计算模块 | 第48-51页 |
| 3.7 数据预处理模块 | 第51-54页 |
| 3.8 存储模块 | 第54-55页 |
| 3.9 钓鱼识别模块 | 第55页 |
| 3.10 本章小节 | 第55-56页 |
| 第四章 分类模型的设计与实现 | 第56-78页 |
| 4.1 钓鱼网站检测模型DBN-KNN | 第56页 |
| 4.2 深度学习研究背景与基本思想 | 第56-57页 |
| 4.3 深度学习的常用模型 | 第57-63页 |
| 4.4 模型检测性能比较 | 第63-65页 |
| 4.4.1 实验样本集 | 第63-64页 |
| 4.4.2 试验结果对比分析 | 第64-65页 |
| 4.5 DBN-KNN模型 | 第65-69页 |
| 4.5.1 DBN-KNN模型的训练和微调 | 第66-68页 |
| 4.5.2 DBN-KNN模型的分类识别 | 第68-69页 |
| 4.6 DBN-KNN模型实验分析 | 第69-71页 |
| 4.6.1 检测主要指标 | 第69-71页 |
| 4.7 钓鱼识别模型的实现 | 第71-76页 |
| 4.8 本章小节 | 第76-78页 |
| 第五章 实验结果与分析 | 第78-86页 |
| 5.0 实验环境 | 第78页 |
| 5.1 白名单爬取模块 | 第78-79页 |
| 5.2 URL过滤分析 | 第79-80页 |
| 5.3 传统相似度匹配分析 | 第80-81页 |
| 5.4 钓鱼检测模块 | 第81-84页 |
| 5.5 实验对比分析 | 第84-85页 |
| 5.6 本章小节 | 第85-86页 |
| 第六章 工作总结与后续研究 | 第86-88页 |
| 6.1 论文工作总结 | 第86页 |
| 6.2 后续研究工作 | 第86-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 攻读硕士学位期间取得的成果 | 第93-94页 |
