用于实时恶意URL分类的混合深度学习与异常检测框架
密码学与安全
2025-12-04 v1 机器学习
摘要
恶意URL仍然是网络钓鱼、恶意软件和网络威胁的主要传播途径。本研究提出了一种混合深度学习框架，结合HashingVectorizer n-gram分析、SMOTE平衡、Isolation Forest异常过滤和轻量级神经网络分类器，用于实时URL分类。多阶段流水线从开源存储库处理URL并提取统计特征（长度、点数、熵），训练复杂度为O(NL + EBdh)，预测延迟为20毫秒。经验评估得出96.4%的准确率、95.4%的F1分数和97.3%的ROC-AUC，优于CNN（94.8%）和SVM基线，并实现50×–100×的速度提升（图~\ref{tab:comp-complexity}）。一个多语言Tkinter GUI（阿拉伯语/英语/法语）支持实时威胁评估和剪贴板集成。该框架展示了优越的可扩展性和对混淆URL模式的鲁棒性。
引用
@article{arxiv.2512.03462,
title = {A Hybrid Deep Learning and Anomaly Detection Framework for Real-Time Malicious URL Classification},
author = {Berkani Khaled and Zeraoulia Rafik},
journal= {arXiv preprint arXiv:2512.03462},
year = {2025}
}
备注
14 pages,2 figures