一种基于机器学习模型的集成分类方法,用于恶意统一资源定位器 (URL)

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 网络入侵检测 网络入侵检测

背景情况:

• 网络应用程序对于在线业务至关重要,但物联网 (IoT) 设备通过恶意统一资源定位器 (URL) 增加了网络入侵风险.
• 恶意网址促进欺诈,攻击和欺诈,造成重大安全挑战.
• 现有的恶意URL检测方法往往侧重于二进制分类和有限的数据集,留下了改进的空间.

研究的目的:

• 为多类恶意URL检测提出一个基于堆叠的强大集合分类器.
• 在较大的数据集上评估分类器的性能,解决以前二进制分类方法的局限性.
• 直接从URL中利用词汇特征来识别恶意网站.

主要方法:

• 开发了一个基于堆叠的组合分类器,集成Random Forest,XGBoost,LightGBM和CatBoost.
• 使用直接从URL中提取的词汇特征进行分类.
• 利用随机搜索进行超参数调整,以优化整体分类器的性能.

主要成果:

• 个别模型实现了高精度:随机森林 (93.6%),XGBoost (95.2%),LightGBM (95.7%) 和CatBoost (94.8%).
• 拟议的堆叠组合分类器实现了多类分类的平均准确率为96.8%.
• 在分类四个类别方面表现出显著的结果:网络鱼,恶意软件,破坏性和良性URL.

结论:

• 基于堆叠的集合分类器有效地提高了恶意URL检测的准确性.
• 与单个模型和以前的工作相比,拟议的方法显示出强度和性能改善.
• 这种方法为在网络安全中识别各种类型的恶意URL提供了有希望的解决方案.