一个混合集团深度学习框架,带有新的元启发性优化,用于可扩展的恶意网站检测
1Shaoxing Institute of Technology, Shaoxing, 312000, Zhejiang, China. Lpugarbo@163.com.
Scientific reports
|December 23, 2025
概括
本研究介绍了一种混合人工智能框架,用于检测恶意网站,结合集体学习和深度神经网络. 先进的系统提供准确,可扩展和可解释的实时威胁检测,以提高在线安全性.
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:
- 恶意网站对网络安全构成越来越大的威胁.
- 传统的检测方法很难跟上不断发展的网络攻击.
研究的目的:
- 开发一种混合检测框架,用于准确识别恶意网站.
- 将集合学习模型与深度神经网络集成,以增强检测能力.
主要方法:
- 使用了63,191个URL的大数据集,具有应用层和网络层特征.
- 使用集体学习 (随机森林,XGBoost,LightGBM) 和深度神经网络.
- 应用主要组件分析以减少维度和SHapley添加式扩展以实现模型可解释性.
- 使用Weevil损害优化算法和能源谷优化器优化过度参数.
- 经过k倍交叉验证的验证模型稳定性.
主要成果:
- 混合框架在准确性和可扩展性方面明显优于单个分类器.
- 在区分恶意网站和良性网站方面取得了高准确性.
- 展示了强大的概括能力和模型可解释性.
结论:
- 开发的框架为实时恶意网站检测提供了可靠,数据驱动和可解释的解决方案.
- 通过提供针对不断变化的网络威胁的先进防御机制,为主动网络安全做出贡献.
