通过深度学习学习 URL 表达以进行恶意 URL 检测的 URLNet

Feb, 2018

通过深度学习学习 URL 表达以进行恶意 URL 检测的 URLNet

URLNet: Learning a URL Representation with Deep Learning for Malicious URL Detection

Hung Le, Quang Pham, Doyen Sahoo, Steven C.H. Hoi

TL;DR本文介绍 URLNet，一种基于端到端深度学习的框架，可直接从 URL 中学习非线性嵌入以对恶意 URL 进行检测。通过应用卷积神经网络来学习 URL 字符和单词的嵌入，该方法允许模型捕捉不同类型的语义信息，并通过高级词嵌入来解决任务中出现的罕见词问题。在大规模数据集上进行的实验表明，该方法优于现有方法，可显著提高模型性能。

Abstract

Malicious URLs host unsolicited content and are used to perpetrate cybercrimes. It is imperative to detect them in a timely manner. Traditionally, this is done through the usage of blacklists, which cannot be exhaustive, and cannot detect newly generated malicious URLs. To address this, recent years have witnessed several efforts to perform →

malicious url detection machine learning end-to-end deep learning convolutional neural networks performance gain

发现论文，激发创造

恶意广告 URL 检测框架的对抗性攻击分析

本文讨论了利用机器学习方法检测恶意广告链接的问题，提出了一种使用多种特征并结合不同机器学习算法的检测系统，并实现了一种基于 K-means 算法的数据聚类方法以及对决策树模型的攻击形式。

Apr, 2022

eXpose: 检测恶意 URL、文件路径和注册表键的字符级卷积神经网络和嵌入

该论文提出了一种基于深度学习的 eXpose 神经网络，它能够自动提取特征并进行分类，与传统的基于手动特征提取的方法相比，在入侵检测方面取得显著的性能提升。

Feb, 2017

PhishGuard: 基于卷积神经网络的用于检测钓鱼 URL 的模型，并使用可解释性分析

网络安全是全球性问题之一，钓鱼网址鉴别是解决此问题的最佳方式。本论文提出了一种一维卷积神经网络模型，通过全面的特征和大量数据训练，实现了 99.85% 的准确度，并强调了对于识别钓鱼网址有重要贡献的某些特征。

Apr, 2024

使用 URL 的上下文特征，顺序深度学习模型在检测网络钓鱼网站方面的性能

本研究使用深度学习模型（如多头注意力、双向长短期记忆网络）针对钓鱼网站进行检测，并证明多头注意力和双向长短期记忆网络模型在准确率、召回率和 F1 得分方面优于其他深度学习算法。

Apr, 2024

垃圾网址的机器学习分类方法

使用机器学习模型对 URL 进行分类，研究发现 bagging 方法在垃圾邮件识别方面具有 96.5% 的准确率。

Sep, 2023

结合深度学习模型检测基于云的网络钓鱼攻击

本文研究使用深度学习模型来检测利用 Google Sites 和 Typeform 等云服务进行的网络钓鱼攻击的有效性，包括 URL、商标和视觉相似性分析，证实了结合多种模型的结果可以提高检测云钓鱼攻击的有效性。

Apr, 2022

CurriculumNet: 大规模网络图像弱监督学习

该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

Aug, 2018

社交媒体钓鱼文章的生成模型

研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击，通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率，最终实现了三倍于历史电子邮件攻击的成功率，并超过手动执行相同任务的人类。

Feb, 2018

AntiPhishStack: 基于 LSTM 的堆叠泛化模型优化的钓鱼 URL 检测

利用 AntiPhishStack 模型和深度学习技术检测网络钓鱼网站，提高网络安全，实验证明该模型在两个基准数据集上表现出色，准确率达到 96.04%。

Jan, 2024

你相信你的模型吗？深度学习生态系统中的新兴恶意软件威胁

本研究论文旨在提高对使用预训练模型时面临的新型机器学习供应链威胁的意识。我们介绍了 MaleficNet 2.0，这是一种在神经网络中嵌入自解压、自执行恶意软件的新技术。MaleficNet 2.0 利用扩频信道编码和纠错技术，将恶意载荷注入深度神经网络的参数中。该注入技术隐蔽且不降低模型性能，对去除技术具有鲁棒性。我们的方法旨在适用于传统和分布式学习环境，如联邦学习，并证明了在模型参数使用较少比特时仍具有效性。最后，我们利用 MaleficNet 2.0 实现了一个概念验证的自解压神经网络恶意软件，展示了该攻击对广泛采用的机器学习框架的实用性。我们希望通过这项工作提高学术界和工业界对这些新型危险攻击的意识，并鼓励进一步研究以应对此类威胁。

Mar, 2024