相关实验视频
Updated: Jan 14, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
LegitPhish:一个大规模的注释数据集用于基于URL的网络鱼检测
Rachana S Potpelwar1, U V Kulkarni1, J M Waghmare1
1Shri Guru Gobind Singh Institute of Engineering and Technology, Vishnupuri, Nanded 431606, Maharashtra, India.
Data in brief
|October 23, 2025
概括
一个新的数据集,LegitPhish,提供101219个手动验证的URL,用于训练机器学习模型来检测网络鱼威胁. 该资源有助于网络安全研究,并提高网络鱼检测的准确性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 网络鱼攻击对网络安全构成重大威胁.
- 准确可靠的数据集对于开发有效的网络鱼检测模型至关重要.
- 现有的数据集可能缺乏手动验证或全面的功能.
研究的目的:
- 介绍LegitPhish,一个新的,手动验证的网络鱼和合法URL数据集.
- 促进基于机器学习的网络鱼检测研究.
- 为评估网络鱼检测系统提供一个基准.
主要方法:
- 编制了一个数据集,包含101,219个标记的URL (63,678个网络鱼,37,540个合法).
- 手动验证所有URL的准确性.
- 有注释的URL具有17个结构和词汇特征.
- 来自威胁情报源的网络鱼URL和来自高权威域名的合法URL.
主要成果:
- LegitPhish 包含 101,219 个手动验证的 URL.
- 数据集包括每个URL的17个不同的特征.
- 为机器学习模型培训和评估提供了强大的资源.
结论:
- LegitPhish是一个有价值的,公开可用的网络安全研究资源.
- 该数据集支持在网络鱼检测中进行可重现的研究和基准测试.
- 提高了更可靠的网络安全应用程序的开发.
