可解释的TabNet组合模型用于识别模糊的URL,并选择功能以确保安全的网页浏览.
Mehwish Naseer1, Farhan Ullah2, Saqib Saeed3
1Computer and Software Engineering Department, College of Electrical and Mechanical Engineering, National University of Sciences and Technology (NUST), Islamabad, 44080, Pakistan.
Scientific reports
|March 20, 2025
概括
这项研究引入了一个强大的TabNet组合模型,以准确识别恶意URL,提供针对恶意软件和网络鱼等威胁的增强网络安全. 该模型实现了高性能指标,证明了其在分类有害Web地址方面的有效性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 模糊和恶意的统一资源定位器 (URL) 构成重大网络安全风险,包括恶意软件分发,网络鱼和诈骗.
- 有效识别恶意URL是保护系统和用户的关键挑战.
研究的目的:
- 提出一个强大的统一TabNet组合模型,用于准确识别和分类恶意URL.
- 为了提高分类性能,利用特征的重要性.
主要方法:
- 利用精心调整的基于注意力的深度神经网络 (TabNet) 来进行URL特征提取.
- 开发了一个机器学习 (ML) 组合模型,使用具有最重要的特征的定制数据.
- 采用统计验证,包括卡帕值和十倍交叉验证.
- 应用局部可解释的模型不可知解释 (LIME) 模型可解释性.
主要成果:
- 在分类5个URL类别方面实现了97.8%准确度,0.978精度,0.976回忆率和0.978F1得分的高性能.
- 统计验证显示卡帕值为0.968.8.
- 10倍的交叉验证结果的平均准确率为97.27%,置信区间为0.004.
结论:
- 与最先进的方法相比,TabNet组合模型在恶意URL识别方面表现出更高的有效性.
- 模型通过LIME的可解释性验证了关键特征在分类中的贡献.
- 这些发现支持该模型在网络安全防御中实际应用的潜力.
