| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题背景与意义 | 第9-10页 |
| ·恶意网页检测技术的研究现状及分析 | 第10-15页 |
| ·恶意网页检测技术 | 第10页 |
| ·客户端蜜罐 | 第10-12页 |
| ·静态检测算法 | 第12-14页 |
| ·机器学习 | 第14-15页 |
| ·本文的主要研究内容和结构 | 第15-16页 |
| 第2章 机器学习的相关理论知识 | 第16-21页 |
| ·机器学习的基本概念 | 第16页 |
| ·常用的分类算法 | 第16-19页 |
| ·朴素贝叶斯（Naive Bayes） | 第16-17页 |
| ·支持向量机（Support Vector Machine，SVM） | 第17-18页 |
| ·决策树（Decision Tree） | 第18-19页 |
| ·基于机器学习的恶意网页检测技术 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第3章 基于在线学习算法的恶意网页检测技术 | 第21-34页 |
| ·网页URL 特征提取 | 第21-26页 |
| ·在线学习算法 | 第26-27页 |
| ·感知器（Perceptron）算法 | 第26页 |
| ·PA（Passive-Aggressive）算法 | 第26-27页 |
| ·CW（Confidence-Weighted）算法 | 第27页 |
| ·特征提取方法的改进 | 第27-28页 |
| ·半监督学习模型 | 第28-29页 |
| ·系统设计 | 第29-33页 |
| ·URL 特征提取 | 第30-31页 |
| ·训练分类器 | 第31-32页 |
| ·浏览器插件 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 实验结果分析与改进 | 第34-44页 |
| ·实验数据采集 | 第34-37页 |
| ·系统实验环境 | 第37页 |
| ·实验结果与分析 | 第37-40页 |
| ·改进特征提取后效果 | 第40-42页 |
| ·自学习阈值的设定 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 攻读学位期间发表的论文及其它成果 | 第49-51页 |
| 致谢 | 第51页 |
