基于决策树和最佳特征选择的神经网络钓鱼网站检测研究

发布时间：2024-02-15 12:06

　　随着不断发展的Web、移动设备和社交网络技术,网络钓鱼已成为在线网络上日益严重的威胁。钓鱼攻击者使用社会工程技术,像电子邮件,SMS等引诱用户访问它们,窃取访问者的用户名、账户密码和金融相关的敏感信息,从而给受害者造成严重的经济损失。因此,迫切需要用于检测和防止网络钓鱼攻击的有效方法和技术。传统的钓鱼网站检测方法主要专注网络钓鱼的基本机制,忽略了新兴的攻击技术,目标环境和最新出现的钓鱼网站。由于可以从海量数据集中进行主动学习,而且数据分类的准确性很高,因此神经网络通常用于检测和预防网络钓鱼攻击。但是,在训练神经网络的过程中,公共数据集中的许多噪声点(例如重复的数据点和具有负或无用特征的数据点)将使神经网络分类器陷入过度拟合的问题。此问题通常导致训练有素的分类器无法精确检测网络钓鱼网站。为了缓解这些问题,本文提出了一种基于决策树和最佳特征选择的神经网络网络钓鱼检测模型——DT-ANN。在该模型中,首先对传统的K-medoids聚类算法进行了改进,以从公共数据集中删除重复的样本点。然后,设计了基于新定义的特征评估指标(f_Value),决策树和局部搜索的最佳特征选择算法...

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图3.4由扩展的基尼系数和CART算法生成的决策树

安徽大学硕士学位论文29标记。(Xi,yi)为样本点。数据集特征属性A={a1,a2,,ad}，假定属性a有V个可能的取值{a1,a2,,aV}，如果使用属性a对样本数据集D进行划分，则会产生V个分支节点，其中第v个分支节点包含了D中所有在属性a上取值为aV的样本，记为Dv。对于....

本文编号：3899720