DeepBF：基于学习型布隆过滤器和进化深度学习的恶意 URL 检测
密码学与安全
2022-03-01 v2 人工智能
计算机视觉与模式识别
神经与进化计算
摘要
由于各类系统（例如边缘计算）的持续现代化，恶意 URL 检测成为一个新兴的研究领域。本文提出一种称为 deepBF（深度学习与布隆过滤器）的新型恶意 URL 检测技术。deepBF 分为两部分。首先，我们提出使用二维布隆过滤器的学习型布隆过滤器。我们通过实验确定了最佳的非加密字符串哈希函数。随后，通过在哈希方法中引入偏置，从所选哈希函数推导出 deepBF 的改进非加密字符串哈希函数，并在字符串哈希函数之间进行比较。该改进字符串哈希函数还与其他多种非加密字符串哈希函数变体进行比较，并与计数布隆过滤器、Kirsch 等人方法和布隆过滤器以及布谷鸟过滤器在各种用例下进行比较。这些用例揭示了各过滤器的优势与不足。其次，我们提出一种使用 deepBF 的恶意 URL 检测机制。我们应用进化卷积神经网络来识别恶意 URL。该进化卷积神经网络使用恶意 URL 数据集进行训练与测试，其输出在 deepBF 中进行准确性测试。我们通过实验评估与结果得出诸多结论，并能够做出文中呈现的各项确定性决策。
引用
@article{arxiv.2103.12544,
title = {DeepBF: Malicious URL detection using Learned Bloom Filter and Evolutionary Deep Learning},
author = {Ripon Patgiri and Anupam Biswas and Sabuzima Nayak},
journal= {arXiv preprint arXiv:2103.12544},
year = {2022}
}
备注
This work has been submitted to the Springer for possible publication