| 摘要 | 第4-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文主要工作及内容安排 | 第15-17页 |
| 第二章 相关技术研究 | 第17-22页 |
| 2.1 恶意网站基本概述 | 第17-18页 |
| 2.2 恶意网站攻击技术 | 第18-19页 |
| 2.3 恶意网站检测技术 | 第19-21页 |
| 2.3.1 基于黑白名单的检测技术 | 第19-20页 |
| 2.3.2 基于相似度的检测技术 | 第20页 |
| 2.3.3 基于内容特征的启发式检测技术 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于快速相似度检测的恶意网站分析模型 | 第22-34页 |
| 3.1 基于快速图像相似度检测的分析模型 | 第22-28页 |
| 3.1.1 感知哈希算法 | 第22-25页 |
| 3.1.2 快速图像相似度检测分析模型 | 第25-28页 |
| 3.2 基于快速域名相似度检测的分析模型 | 第28-32页 |
| 3.2.1 文本相似度算法 | 第28-31页 |
| 3.2.2 快速域名相似度检测分析模型 | 第31-32页 |
| 3.3 本章小结 | 第32-34页 |
| 第四章 基于内容的深度学习恶意网站分析模型 | 第34-49页 |
| 4.1 深度信念网络 | 第34-36页 |
| 4.2 基于Borderline-Smote DBN的分析模型 | 第36-40页 |
| 4.2.1 不均衡数据集问题 | 第36-38页 |
| 4.2.2 Borderline-Smote DBN分析模型 | 第38-40页 |
| 4.3 网页内容的特征提取 | 第40-44页 |
| 4.3.1 URL特征提取 | 第40-42页 |
| 4.3.2 HTML特征提取 | 第42-43页 |
| 4.3.3 特征向量预处理 | 第43-44页 |
| 4.4 实验与结果分析 | 第44-47页 |
| 4.5 本章小结 | 第47-49页 |
| 第五章 恶意网站分析系统的设计与实现 | 第49-59页 |
| 5.1 系统架构设计和流程 | 第49-50页 |
| 5.2 数据预处理模块 | 第50-51页 |
| 5.3 黑白名单过滤模块 | 第51-53页 |
| 5.3.1 构建黑白名单库 | 第51-52页 |
| 5.3.2 URL过滤模块 | 第52-53页 |
| 5.4 快速相似度检测模块 | 第53-55页 |
| 5.4.1 域名相似度检测模块 | 第53-54页 |
| 5.4.2 图像相似度检测模块 | 第54-55页 |
| 5.5 深度学习检测模块 | 第55页 |
| 5.6 实验与结果分析 | 第55-58页 |
| 5.7 本章小结 | 第58-59页 |
| 第六章 结论与展望 | 第59-61页 |
| 6.1 论文工作总结 | 第59页 |
| 6.2 后续研究工作 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间取得的研究成果 | 第66页 |