基于SOM-RMO和RBFN结合禁忌搜索优化的实时恶意URL检测混合机器学习方法
密码学与安全
2024-07-10 v1 机器学习
摘要
恶意 URL 的激增已成为互联网安全的重大威胁，包括垃圾邮件、网络钓鱼、恶意软件和篡改攻击。传统检测方法难以跟上这些威胁不断演变的特性。实时检测恶意 URL 需要能够处理大型数据集并识别新型攻击模式的先进技术。挑战在于开发一个结合高效特征提取与精确分类的鲁棒模型。我们提出了一种混合机器学习方法，该方法结合了基于自组织映射的径向移动优化（SOM-RMO）进行特征提取，以及基于径向基函数网络（RBFN）的禁忌搜索进行分类。SOM-RMO 有效降低了维度并突出了重要特征，而经过禁忌搜索优化的 RBFN 则以高精度对 URL 进行分类。所提模型在检测各种恶意 URL 攻击方面表现出优越性能。在一个基准数据集上，我们的方法达到了 96.5% 的准确率、95.2% 的精确率、94.8% 的召回率和 95.0% 的 F1 分数，显著优于传统方法。
引用
@article{arxiv.2407.06221,
title = {Hybrid Machine Learning Approach For Real-Time Malicious Url Detection Using Som-Rmo And Rbfn With Tabu Search Optimization},
author = {Swetha T and Seshaiah M and Hemalatha KL and ManjunathaKumar BH and Murthy SVN},
journal= {arXiv preprint arXiv:2407.06221},
year = {2024}
}