[发明专利]一种面向移动恶意网页的多设备组合优化的实时检测系统

说明书

本发明提出了一种面向移动恶意网页的多设备组合优化的实时检测系统，该系统由移动端检测、边缘节点检测、服务器端检测组成；本方案用收集到的实验数据集URL作为输入；首先在移动终端上检测URL，并将检测结果与URL链接一起发送到边缘节点；当URL到达边缘节点时，根据移动端检测结果和URL的数量，选择相对应的检测策略，使用更多的计算资源来检测更多可疑URL；在边缘节点和服务器端分别构建了基于CNN‑LSTM的分类模型，通过对原始的输入进行自动提取和特征学习，更准确地对恶意URL进行分类；最后根据深度神经网络预测出的URL良性或恶意的概率p进行判别。本方案在效率和准确性方面均具有较明显的优势。

技术领域

本发明涉及数据安全领域，尤其涉及一种面向移动恶意网页的多设备组合优化的实时检测系统。

背景技术

移动社交网络在丰富人们生活的同时，也带来了许多安全问题。恶意URL是攻击者发起移动社交网络攻击的最常用方法之一。攻击者通过伪装成知名帐户、商品折扣广告或用户好友，骗取用户的信任。诱导用户点击恶意URL链接，打开包含恶意URL的图片，扫描带有恶意URL的二维码。通过这种方式，攻击者对受害者进行钓鱼诈骗，或者将恶意软件嵌入到受害者的计算机，以控制目标主机或执行APT攻击，这将给个人、企业以及政府机构造成巨大损失。如何有效识别移动恶意URL已成为近年来网络安全领域研究和应用的一个热点。

现有的恶意网页检测技术主要存在以下几类问题：首先，现有恶意网页检测方法大多是在服务器端实现，在网络质量不理想的条件下，数据传输延时、检测效率低或传输失效问题严重，例如安一恒通(北京)科技有限公司的工作(CN201510033799.9)；其次，PC端和移动端浏览器在系统内核、事件处理、平台兼容性、使用场景、输入输出方式、网络环境等方面也存在明显差异，上述差异导致传统常见基于PC端的恶意网页检测方法，例如天津大学的工作(CN201510502698.1)，直接迁移到移动端在检测效率和能力方面呈现出明显不足；最后，传统的恶意URL检测方法通常依赖于基于专家输入或使用机器学习技术提取的特征，例如中国科学院信息工程研究所的工作(CN201310507897.2)，这些方法需要构建大量特征集，在实践中可能具有较高的误报率并有许多限制，如网站数量的显著增加和网络流量的变化使得检测恶意URL的过程变得十分复杂。

发明内容

有鉴于此，为了解决现有技术中的不足，本发明提出一种面向移动恶意网页的多设备组合优化的实时检测系统，。

本发明提供的一种面向移动恶意网页的多设备组合优化的实时检测系统，具体包括：

移动端、边缘节点和服务器端；

所述移动端处理实时性大于预设的第一时间阈值T1和荷载量小于预设的第一荷载阈值L1的恶意网页检测任务；

所述边缘节点处理实时性小于或者等于预设的第一阈值T1和荷载量大于或者等于第一荷载阈值L1的恶意网页检测任务；

所述服务器端处理实时性小于预设的第二阈值T2和荷载量大于预设的第二荷载阈值L2的恶意网页检测任务；其中，T2T1，L1L2。

进一步地，所述移动端、边缘节点和服务器端组合形成恶意网页检测方法，方法具体包括以下步骤：

S101：获取实验数据集URL链接；

S102：将所述URL链接输入至移动端检测，得到第一检测结果；

S103：将第一检测结果与所述URL链接发送至边缘节点，所述边缘节点根据第一检测结果和URL链接数目，输出检测策略，分配计算资源检测超出移动端荷载量以外的URL连接，并获得第二检测结果；

S104：服务器端接收来自移动端的第一检测结果和边缘节点的第二检测结果，并通过服务器端CNN-LSTM分类模型，对第一检测结果和第二检测结果进行分类，最终输出所有URL链接为恶意的概率p。