使用多个资源导向机器学习的非法在线博网站检测
Moohong Min1, Donggi Augustine Lee2
1Department of Computer Education/Social Innovation Convergence Program, Sungkyunkwan University, Seoul, 03063, South Korea. iceo@skku.edu.
Journal of gambling studies
|July 11, 2024
概括
本研究介绍了一种机器学习模型,通过分析网站数据来检测绝对非法在线博 (AIOG). 该AIOG检测方法增强了网络安全,并打击非法在线活动带来的金融威胁.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络挖矿 (Web Mining) 是一种网络挖矿.
背景情况:
- 由于COVID-19大流行加速了数字化,非法在线博的普及率增加了.
- 非法在线博带来了重大的财务威胁和网络安全风险.
研究的目的:
- 通过使用基于机器学习的方法来定义和检测绝对非法在线博 (AIOG).
- 分析关键的网站功能,以准确的AIOG分类.
主要方法:
- 使用机器学习模型分析了11,172个公共网页.
- 功能分类,包括URL,WHOIS,INDEX和登陆页信息.
- 整合文本和图像分析与整体属性组合.
主要成果:
- 拟议的模型实现了AIOG的高检测性能.
- 从在线博元数据中验证常见属性可以提高准确性.
- 建议采用动态资源利用策略,以改善分类.
结论:
- 这项研究通过不断更新数据来扩展混合网络挖掘技术.
- 基于内容的过是通过不断更新数据来实现的.
- 开发的模型提供了一个强大的解决方案,用于识别非法在线博网站.


