Apr, 2022

恶意广告 URL 检测框架的对抗性攻击分析

PDF
TL;DR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。
malicious advertisementcyber-attacksmachine learningfraudulent url detectiondata clustering
发现论文，激发创造
  • 通过深度学习学习 URL 表达以进行恶意 URL 检测的 URLNet

    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。

    Feb, 2018

  • 对敌对攻击和防御的恶意软件分类调查

    这项调查研究针对网络安全中恶意软件分类展示了当前对抗性攻击和防御策略的研究，将方法分类为生成模型、基于特征的方法、集成方法和混合策略，并评估了每个领域的优点和缺点，同时讨论了常用的数据集和评估标准，最后提出了开放性研究难题和未来的研究选项。

    Dec, 2023

  • 基于网格搜索方法的优化 Hist Gradient Boosting 分类器的恶意 URL 检测

    为了检测恶意网站的风险，我们提出利用基于机器学习的技术，通过对数据输入、恶意网站、机器学习技术和网站检测等关键词进行分析，并优化算法，最终通过多种指标对模型进行评估，实验结果表明 Hist Gradient Boosting Classifier (HGBC) 在各项指标上表现最好。

    Jun, 2024

  • 使用集成树减轻恶意 URL 检测器中的标签翻转攻击

    通过研究恶意 URL，在集成树的背景下，揭示了背后攻击的动机，强调了攻击者的角色和有效防御策略的重要性。提出了一种创新的警报系统，可以检测到被污染的标签，以及一种用于揭示原始类标签从而缓解背后攻击的防御机制。利用 Alexa 和钓鱼网站 URL 数据集进行的案例研究表明，我们的防御机制可以解决 LF 攻击问题，并且实验证明 LF 攻击的成功率在 2-5% 之间，而创新的防御方法可以以高达 100% 的准确率检测到被污染的标签。

    Mar, 2024

  • 基于数据驱动的恶意网站检测方法综述

    本文系统评述了针对恶意网站的数据驱动方法，包括数据预处理、特征提取、模型构建和技术拓展，并对近年来提出的基于深度学习模型的方法进行了比较。最后，讨论了数据驱动方法面临的挑战和未来发展方向。

    May, 2023

  • 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

  • 恶意软件检测系统中的自动化毒化攻击和防御：一种对抗机器学习方法

    本研究探讨了移动恶意软件的演变对智能手机安全的严重威胁，并提出了一种基于对抗性学习的 KuafuDet 方法来解决机器学习检测在受到恶意样本影响时检测准确率低的问题，该方法不仅可显著减少假阴性率，还可提高至少 15% 的检测准确度。

    Jun, 2017

  • 基于 Transformer 的恶意软件检测器的对抗性攻击

    探究基于机器学习的恶意软件检测模型的安全性，使用 Transformers-based 恶意软件检测器进行对抗攻击，提出防御策略，将错误分类率降至一半。

    Oct, 2022

  • 基于数据的黑盒分类器探索性攻击在对抗领域中的应用

    本文提出了一种基于数据推动的黑客攻击方法 —— 基于分类模型的欺骗方法，并通过 Google Cloud Prediction 平台进行了实验验证，发现分类器天生易受攻击，并且可以轻松地进行逃避攻击，这为构建安全的机器学习框架提供了启示。

    Mar, 2017

  • 一个完善的框架用于准确检测钓鱼网站

    通过特征选择、贪婪算法、交叉验证和深度学习方法构建了一个复杂的堆叠集成分类器，实现了对钓鱼网站的准确检测，取得了高准确率并具备泛化能力。

    Mar, 2024