[发明专利]一种融合多源数据的钓鱼网站识别方法及系统

说明书

本发明提供一种融合多源数据的钓鱼网站识别方法及系统，包括：确定钓鱼网站和合法网站样本；基于网站URL采集各个网站的多源特征数据；并对URL多源特征数据处理后得到网站URL多源特征的高维特征向量；对网站URL进行分词、分字操作，将词向量矩阵和字符级向量矩阵进行拼接，得到网站URL的高维特征向量；将网站URL多源特征的高维特征向量和网站URL的高维特征向量拼接，得到各个网站的特征向量；将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；基于钓鱼网站识别模型对待识别网站进行识别，判断其是否为钓鱼网站。本发明提供一种高精度的钓鱼网站识别方案。

技术领域

本发明属于钓鱼网站识别技术领域，更具体地，涉及一种融合多源数据的钓鱼网站识别方法及系统。

背景技术

“钓鱼网站”是一种网络欺诈行为，指不法分子利用各种手段，仿冒真实网站的统一资源定位系统(uniform resource locator；URL)地址以及页面内容，或者利用真实网站服务器程序上的漏洞在站点的某些网页中插入危险的HTML代码，以此来骗取用户银行或信用卡账号、密码等私人资料。

现有技术可以通过两次模型的训练得到最终的判别结果以高效地实现钓鱼网站的识别。但是该技术对于特征的选择相对简单，没有考虑到更丰富的特征。另外，现有技术还可以融合字符级特征和单词级特征，以进行钓鱼网站识别，该技术存在问题是：一方面，其对于单词级特征的提取相对简单，不能够提取单词之间的序列特征，也难以应对新词的输入；另一方面，该技术也难以克服分词的不准确性。此外，现有技术可以融合URL字符级特征和部分多源特征，以进行钓鱼网站识别，然而，该技术融合的输入特征有限，缺乏对URL单词级特征以及更多多源特征的提取和融合，进而影响模型性能。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种融合多源数据的钓鱼网站识别方法及系统，旨在解决现有钓鱼网站识别选择的特征相对简单，识别性能低的问题。

为实现上述目的，第一方面，本发明提供了一种融合多源数据的钓鱼网站识别方法，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；

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。

在一个可选的示例中，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。

在一个可选的示例中，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：