用于恶意URL检测的在线主动机器学习方法.pdf
一条****轩吗
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
用于恶意URL检测的在线主动机器学习方法.pdf
本发明公开了机器学习和网络信息安全技术领域内的一种用于恶意URL检测的在线主动机器学习方法,包括以下步骤:步骤1)当互联网用户要访问一个URL时,利用自动特征提取器,对该URL进行特征提取,构成该URL的特征向量;步骤2)使用分类器对特征向量进行在线预测,判断是否为恶意;步骤3)在线预测结束后,进入标记决策阶段,判断是否对当前的URL进行标记,得到决策变量;步骤4)获得完整的URL数据信息后,利用在线模型更新程序修正当前的分类器,得到最新的分类器;步骤5)回到步骤1),等待用户浏览器发出新一轮URL请求,
恶意URL检测干预方法、系统及装置.pdf
本发明公开了一种恶意URL检测干预系统,包括:DNS代理设备,适于接收域名解析请求,向域名信誉度评估设备请求该域名的信誉度;还适于若信誉度指示域名存在安全隐患,则将流量干预设备的IP地址返回至用户;包括域名信誉库的信誉度评估设备,适于响应于对域名的信誉度的请求,返回该域名的信誉度;流量干预设备,适于接收来自用户的访问请求,并对该访问请求进行协议识别,还适于从识别为HTTP或HTTPS协议的访问请求中提取URL,将该URL与恶意URL库进行匹配,若匹配失败,则作为反向代理来实现用户与目的服务器的通信。本发明
一种用于文本多分类任务的在线主动机器学习方法.pdf
本发明公开了一种用于文本多分类任务的在线主动机器学习方法,包括以下步骤:1)在第t轮,接收到本轮的文档经特征提取后得到的特征向量x
动静态特征相结合的恶意URL检测技术研究的开题报告.docx
动静态特征相结合的恶意URL检测技术研究的开题报告一、选题的背景和意义随着互联网技术的不断发展,恶意URL成为了互联网安全的一个严重问题。黑客利用恶意URL可以进行各种黑客攻击,例如网络钓鱼、恶意软件传播、隐私泄露等。传统的恶意URL检测技术主要采用特征工程和机器学习算法对URL进行分类,但是这种技术存在一定的局限性。恶意URL的特征具有时效性和易变性,传统的特征工程很难实时更新,而机器学习算法对于新型恶意URL的检测准确率也存在一定的局限性。因此,结合动静态特征进行恶意URL检测,具有重要的研究意义和应
用于文本多标签分类任务的基于间隔分布的在线机器学习方法.pdf
本发明公开了机器学习领域内的一种基于间隔分布的在线机器学习方法,包括以下步骤:1)在第t轮,接收到本轮文档的特征向量<base:Imagehe=@77@wi=@198@file=@DDA0003762887680000011.JPG@imgContent=@drawing@imgFormat=@JPEG@orientation=@portrait@inline=@yes@/>2)进入多标签预测程序;3)预测结束后,接收到x<base:Sub>t</base:Sub>的真实相关标签集<base:Imageh