使用深度学习和大型语言模型轻量级恶意URL检测
Hareem Kibriya1, Rashid Amin2, Sultan S Alshamrani3
1Department of Computer Science, Air University, Islamabad, Pakistan.
Scientific reports
|December 2, 2025
概括
本研究引入了使用大型语言模型检测恶意URL的深度学习框架,达到97.5%的准确性. 该系统以提高透明度高效地对网络鱼和恶意软件等威胁进行分类.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 恶意网站的扩散带来了重大的网络安全风险,包括数据泄露和身份盗窃.
- 现有的机器学习 (ML) 检测恶意URL的方法通常依赖于手动功能工程,并与不断变化的威胁作斗争.
- 需要自动化,适应性的解决方案来有效地识别和减轻在线威胁.
研究的目的:
- 开发一个完全自动化的深度学习 (DL) 框架,用于检测恶意统一资源定位器 (URL).
- 利用大型语言模型 (LLM) 在没有手动功能工程的情况下生成URL嵌入式.
- 以高的准确性和效率将URL分类为恶意 (变形,恶意软件,网络鱼) 和良性类别.
主要方法:
- 利用大型语言模型 (LLM) 来创建高质量的URL嵌入,捕捉复杂的模式和代码关系.
- 采用了定制的深度学习模型,结合了长短期记忆 (LSTM) 和门式循环单元 (GRU) 层进行依赖性分析.
- 整合了来自变压器的双向编码器表示 (BERT) 与DL模型,并使用了可解释AI (XAI) 技术,如本地可解释模型-不可知解释 (LIME) 以提高透明度.
主要成果:
- 使用BERT + DL模型检测恶意URL的最高准确率为97.5%.
- 伯特+DL模型表现出高效率,仅用50万个参数在0.119毫秒内对样品进行分类.
- 局部可解释的模型不可知解释 (LIME) 为模型的决策过程提供了透明度.
结论:
- 拟议的深度学习框架有效地检测出恶意URL,并且具有最先进的准确性和效率.
- 使用LLMs和BERT显著减少了手动特征工程的需求,提高了适应性.
- 集成XAI提高了网络安全实时应用的模型可信度和可靠性.
