[发明专利]一种基于深度学习的层次化钓鱼网站检测方法

权利要求书

1.一种基于深度学习的层次化钓鱼网站检测方法，其特征在于，包括以下步骤：

步骤1、输入待检测网站的URL；

步骤2、对输入的URL进行检测，输出该URL属于钓鱼网站的概率，若所输出的概率大于预设阈值，则进行步骤4，否则进行步骤3；

步骤3、下载待检测URL对应的网页，统计所述网页的HTML标签数量，利用HTML标签列表对统计结果进行向量化，将向量化后的HTML标签序列输入到带注意力机制的双向长短时记忆网络层以提取精确的网页内容特征表示，通过全连接层进行分类，得到该URL属于钓鱼网站的概率；

步骤4、判断待检测网站是否为钓鱼网站；

步骤2对输入的URL进行检测的过程包括：对输入的待检测网站的URL进行预处理、获取URL的分布式表示、将URL的分布式表示输入到卷积-胶囊神经网络，由所述卷积-胶囊神经网络对URL属于钓鱼网站的概率进行预测计算。

2.根据权利要求1所述的层次化钓鱼网站检测方法，其特征在于，步骤2包括以下步骤：

步骤2-1、将输入的待检测网站的URL的长度通过末尾截断或补零的方式限定在某个长度，并对所有可能出现在URL中的字符赋予唯一数字编号，构建字符映射表，然后根据字符映射表将该URL的字符转换成对应的编号以得到该URL的整数向量表示；

步骤2-2、通过从互联网爬取URL作为语料进行词嵌入训练，得到字符级别的嵌入矩阵，通过查询该嵌入矩阵，将步骤2-1获得的URL的整数向量表示转换成URL的分布式表示矩阵；

步骤2-3、将URL的分布式表示矩阵输入到卷积-胶囊神经网络中，预测该URL属于钓鱼网站的概率。

3.根据权利要求2所述的层次化钓鱼网站检测方法，其特征在于，所述卷积-胶囊神经网络包括若干条并行路径，每路均包括依次连接的卷积层、基本胶囊层及分类胶囊层，各路卷积层所使用的卷积核大小不同；卷积层用于从URL的分布式表示矩阵中提取URL的浅层特征；基本胶囊层用于从浅层特征中提取精确的URL特征表示，并经处理后输出长度在0到1之间的向量，作为基本胶囊层的输出DF；分类胶囊层通过动态路由算法对输出DF进行加权求和，经归一化指数函数得到分类胶囊层的输出，即URL属于钓鱼网站的概率。

4.根据权利要求3所述的层次化钓鱼网站检测方法，其特征在于，所述卷积层包括依次连接的卷积操作层、ReLU激活函数和二维Dropout操作层；所述基本胶囊层包括依次连接的卷积操作层、ReLU激活函数、批标准化处理层及Squeeze向量压缩函数。

5.根据权利要求3所述的层次化钓鱼网站检测方法，其特征在于，所述分类胶囊层通过动态路由算法对输出DF进行加权求和的过程为：

动态路由算法的输入为基本胶囊层的胶囊i对于分类胶囊层的胶囊j的初始有效输入以及迭代次数r；输出为压缩后的向量v_j；设基本胶囊层中的胶囊i和分类胶囊层中的胶囊j的关联性强弱由b_ij表示，对于所有基本胶囊层中的胶囊i和所有分类胶囊层中的胶囊j，初始化b_ij＝0；将下列步骤循环r次：

(1)、为所有基本胶囊层中的胶囊i和所有分类胶囊层中的胶囊j计算

(2)、对于所有分类胶囊层中的胶囊j，计算

(3)、对于所有分类胶囊层中的胶囊j，计算

(4)、对于所有基本胶囊层中的胶囊i和所有分类胶囊层中的胶囊j，更新

将若干路分类胶囊层的输出v_j进行求平均后得到均值v，计算均值v的长度‖v‖后输入到归一化指数函数中，得到分类胶囊层的输出作为卷积-胶囊神经网络最终的输出，即该URL属于钓鱼网站的概率。

6.根据权利要求2所述的层次化钓鱼网站检测方法，其特征在于，步骤2-3通过卷积-胶囊神经网络计算分类结果，根据分类结果计算分类置信度，若分类置信度大于所设阈值，则进行步骤4，否则，进行步骤3。