[发明专利]一种融合多源数据的钓鱼网站识别方法及系统

权利要求书

1.一种融合多源数据的钓鱼网站识别方法，其特征在于，包括如下步骤：

确定钓鱼网站和合法网站两类训练样本，为两类样本分别打上两种不同的标签；

基于每个网站的统一资源定位符URL采集各个网站的多源特征数据；并按照预设标准对采集到的URL多源特征数据选择处理后得到每个网站URL多源特征的高维特征向量；

对每个网站URL进行分词操作，得到每个网站URL的词向量矩阵，并对每个网站URL进行分字操作，得到每个网站URL的字符级向量矩阵，将所述词向量矩阵和字符级向量矩阵进行拼接，并输入到神经模型训练和降维，得到每个网站URL的高维特征向量；对每个网站URL进行分词操作和对每个网站URL进行分字操作，具体为：利用BERT技术对网站URL中的每个词进行向量化表示，获取URL单词级的语义特征，并构建URL的单词级特征矩阵；统计网站URL中包含的字符并构成字符集合；基于所述字符集合对URL进行独热编码，并进行padding操作形成同构独热矩阵；将独热矩阵放入词嵌入层进行训练，抽取低维的稠密特征矩阵，该特征矩阵形状与URL的单词级特征矩阵的形状一致；

将各个网站URL多源特征的高维特征向量和各个网站URL的高维特征向量拼接，得到各个网站的特征向量；

将所述各个网站的特征向量和各个网站的标签组合形成样本数据集，将样本数据集输入到分类模型进行训练，将训练好的分类模型作为钓鱼网站识别模型；所述分类模型用于将接收到的网站分为钓鱼网站和合法网站，以识别其中的钓鱼网站；

结合采集的待识别网站的特征向量，基于所述钓鱼网站识别模型对所述待识别网站进行识别，判断其是否属于钓鱼网站。

2.根据权利要求1所述的钓鱼网站识别方法，其特征在于，所述各个网站URL的多源特征数据，包括：URL序列特征、网站内容特征、网站代码特征、搜索引擎优化SEO网站对该网站的评价数据以及社交网站对该网站的转发热度。

3.根据权利要求1所述的钓鱼网站识别方法，其特征在于，所述按照预设标准对采集到的URL多源特征数据选择处理后得到每个网站URL多源特征的高维特征向量，具体为：

基于Boruta方法对采集到的网站URL多源特征进行特征选择，其中强相关的特征向量纳入第一特征向量集合，其余特征向量纳入第二特征向量集合；基于LightGBM技术使用第二特征向量集合进行钓鱼网站识别模型训练，得到识别结果概率集合；将第一特征向量集合和识别结果概率集合进行拼接形成网站URL多源特征的高维特征向量集合。

4.根据权利要求1所述的钓鱼网站识别方法，其特征在于，所述神经模型为CNN-LSTM模型。