ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ДЕТЕКТИРОВАНИЯ ВРЕДОНОСНЫХ URL

Author:

Yevdoshenko Oleg Igorevich1,Lezhnina Yuliya Arkadyevna1

Affiliation:

1. MIREA - Russian Technological University, Moscow

Abstract

В настоящее время мошенники широко применяют технические средства для осуществления кражи конфиденциальных данных в интернете, например, использование URL в корыстных целях (спам, фишинг, скрытая загрузка опасного содержимого). При обнаружении вредоносных URL-адресов традиционные классификаторы сталкиваются с проблемами, так как количество различных URL огромно, шаблоны вредоносных сайтов меняются со временем, а корреляции между функциями усложняются. В статье обоснована опасность URL, которые ведут на вредоносные сайты, а также приведены типы вредоносных сайтов. Представлены существующие подходы по определению типа URL, их достоинства и недостатки. Рассмотрен процесс создания и тренировки модели, разделенный на этапы: получение и подготовка данных, обработка естественного языка, выбор и тренировка модели, прогнозирование. Проведен анализ эффективности полученной модели на реальных URL и сравнение с веб-сервисом VirusTotal.

Publisher

Astrakhan State University of Architecture and Civil Engineering

Reference28 articles.

1. Internet statistic // BroadbandSearch. – Режим доступа: https://www.broadbandsearch.net/blog/internet-statistic (дата обращения: 23.01.2023), свободный. – Заглавие с экрана. – Яз. рус.

2. Зарипова В. М. Унаследованные информационные системы. Проблемы и решения / В. М. Зарипова, И. Ю. Петрова // Инженерно-строительный вестник Прикаспия. – 2022. – № 2 (40). – С. 150–158. – DOI 10.52684/2312-3702-2022-39-1-150 158.

3. Вся статистика интернета на 2020 год — цифры и тренды в мире и в России // WebCanape. – Режим доступа: https://www.web-canape.ru/business/internet-2020-globalnaya statistika-i-trendy/ (дата обращения: 23.01.2021), свободный. – Заглавие с экрана. – Яз. рус.

4. IT threat evolution Q1 2019. Statistics // SECURELIST by Kaspersky. – Режим доступа: https://securelist.com/itthreat evolution-q1-2019-statistics/90916/ (дата обращения: 23.01.2023), свободный. – Заглавие с экрана. – Яз. рус.

5. Dhanalakshmi Ranganayakulu, Chellappan C Detecting Malicious URLs in E-mail – An Implementation // AASRI Procedia. – 2013. – №10. – С. 125–131.

同舟云学术

1.学者识别学者识别

2.学术分析学术分析

3.人才评估人才评估

"同舟云学术"是以全球学者为主线,采集、加工和组织学术论文而形成的新型学术文献查询和分析系统,可以对全球学者进行文献检索和人才价值评估。用户可以通过关注某些学科领域的顶尖人物而持续追踪该领域的学科进展和研究前沿。经过近期的数据扩容,当前同舟云学术共收录了国内外主流学术期刊6万余种,收集的期刊论文及会议论文总量共计约1.5亿篇,并以每天添加12000余篇中外论文的速度递增。我们也可以为用户提供个性化、定制化的学者数据。欢迎来电咨询!咨询电话:010-8811{复制后删除}0370

www.globalauthorid.com

TOP

Copyright © 2019-2024 北京同舟云网络信息技术有限公司
京公网安备11010802033243号  京ICP备18003416号-3