利用机器学习技术与在线可信度及性能数据识别恶意网络域名
密码学与安全
2019-02-26 v1 机器学习
神经与进化计算
摘要
恶意网络域名对网络用户的隐私和安全构成重大威胁。鉴于互联网上关于域名流行度与性能的自由可用数据众多，本研究考察了知名机器学习技术结合此类在线数据用于识别恶意网络域名的性能。我们收集了由恶意软件和钓鱼域名组成的两个数据集来构建和评估机器学习分类器。应用了五种单一分类器和四种集成分类器来区分恶意域名与良性域名。此外，采用基于二进制粒子群优化（BPSO）的特征选择方法提升单一分类器性能。实验结果表明，基于域名的流行度与性能数据特征，所考察的机器学习技术能以不同方式准确识别恶意域名。进而，基于 BPSO 的特征选择过程被证明是提升分类器性能的有效途径。
引用
@article{arxiv.1902.08792,
title = {Identifying Malicious Web Domains Using Machine Learning Techniques with Online Credibility and Performance Data},
author = {Zhongyi Hu and Raymond Chiong and Ilung Pranata and Willy Susilo and Yukun Bao},
journal= {arXiv preprint arXiv:1902.08792},
year = {2019}
}
备注
10 pages, conference