| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 反钓鱼技术的学术研究现状 | 第12-14页 |
| 1.2.2 反钓鱼技术的客户端应用研究现状 | 第14-15页 |
| 1.3 本论文的主要研究内容 | 第15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第2章 钓鱼网站制作技术分析 | 第17-24页 |
| 2.1 钓鱼网站的制作过程 | 第17-18页 |
| 2.2 钓鱼网站常见的技术手段 | 第18-21页 |
| 2.2.1 内容欺骗 | 第19-20页 |
| 2.2.2 利用DOM和网站漏洞 | 第20页 |
| 2.2.3 基于DNS的钓鱼网站 | 第20-21页 |
| 2.3 钓鱼网站主要传播方式 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于特征选择分类的钓鱼网站检测 | 第24-44页 |
| 3.1 基于特征选择的钓鱼网站检测相关技术 | 第24-30页 |
| 3.1.1 特征分类算法 | 第24-26页 |
| 3.1.2 特征选择方法 | 第26-27页 |
| 3.1.3 基于特征选择分类的钓鱼网站检测原理及结果对比 | 第27-30页 |
| 3.2 检测框架 | 第30-31页 |
| 3.3 特征选择与分析 | 第31-36页 |
| 3.3.1 基于URL的特征 | 第31-33页 |
| 3.3.2 基于WHOIS和ALEXA的特征 | 第33-35页 |
| 3.3.3 基于HTML的特征 | 第35-36页 |
| 3.4 钓鱼网站检测的评价指标 | 第36-37页 |
| 3.5 基于python的多种机器学习算法分类实验对比 | 第37-42页 |
| 3.5.1 实验环境 | 第37页 |
| 3.5.2 实验数据集 | 第37-39页 |
| 3.5.3 特征组合 | 第39-40页 |
| 3.5.4 实验结果分析 | 第40-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第4章 基于双向LSTM神经网络的钓鱼网站检测 | 第44-59页 |
| 4.1 基于神经网络的钓鱼网站识别相关技术 | 第45-47页 |
| 4.1.1 人工神经网络与深度神经网络 | 第45-46页 |
| 4.1.2 人工神经网络的结构和原理 | 第46-47页 |
| 4.2 三种循环神经网络 | 第47-51页 |
| 4.2.1 循环神经网络模型RNN | 第47-48页 |
| 4.2.2 长短期记忆网络LSTM | 第48-50页 |
| 4.2.3 双向长短期记忆网络BLSTM | 第50-51页 |
| 4.3 基于双向LSTM神经网络模型的钓鱼识别 | 第51-54页 |
| 4.3.1 词向量表示URL | 第51-52页 |
| 4.3.2 训练BLSTM模型 | 第52-54页 |
| 4.4 基于python的神经网络分类实验对比及分析 | 第54-58页 |
| 4.4.1 实验环境 | 第54页 |
| 4.4.2 实验参数 | 第54-55页 |
| 4.4.3 实验与结果分析 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
