[发明专利]一种基于URL字符串随机率特征提取的钓鱼网站检测方法

权利要求书

1.一种基于URL字符串随机率特征提取的钓鱼网站检测方法，其特征在于：包括以下步骤：

步骤S1、获取URL地址样本数据集，且该URL地址样本数据集包括两类URL，即钓鱼网站URL数据集和合法网站URL数据集；

步骤S2、将URL地址样本数据集中的各个URL进行特征提取，并生成特征向量F，F =f₁,f₂, f₃, f₄, f₅, f₆；六个特征向量f₁、f₂、f₃、f₄、f₅和f₆分别为整条URL的随机率、URL主级域名的随机率、URL路径的随机率、URL子域名随机率、URL路径按符号‘/’和‘.’划分后每段字符串的随机率最大值、URL按符号‘/’和‘.’划分后每段字符串的随机率最大值；

所述步骤S2包括：

S2.1、获得URL字符串随机率

将正确的英文单词和正确的汉语全拼定义为标准字符串，除此之外的字符串则拥有值为[0, 1]的不同程度的随机率；

将各URL中任意一个字符串按两两相邻元素为一组划分开，并放入数组Split中，计算数组Split内元素不存在于标准相邻列表中的数量Sum；然后将Sum除以数组Split内的元素个数|Split|，所得结果为该字符串的随机率RR；

S2.2、获得最佳的标准相邻列表

基于现有英文单词和中文汉字得到英文单词集和汉语拼音集，对英文单词集和汉语拼音集，以每两个相邻的字母作为一个组合将英文单词和汉语拼音划分开，并分别存放在单词划分列表W和拼音划分列表P中，W和P即为总标准相邻列表，然后将W和P按相同元素出现次数进行排序；

S2.3、基于URL字符串随机率提取特征向量f₁、f₂、f₃、f₄、f₅和f₆；

步骤S3、获取特征向量f₁、f₂、f₃、f₄、f₅和f₆，再加入8个当前已有特征，使用这14个特征向量组成特征向量组合，将该特征向量组合送入决策树分类器，然后进行分类模型的训练；所述8个当前 已有特征依次为URL长度、路径长度、域名长度、是否包含敏感词、是否包含各种符号、是否在Alexa世界排名前100万中、域名年龄和域名到期时间；

步骤S4、将具有特定特征刻画的目标网站URL送入步骤S3训练好的决策树分类器进行处理，以判断待访问的网站是否合法，并将得到的判定结果返回给目标平台的WEB浏览器；

步骤S5、WEB浏览器根据接收到的判定结果进行相应的提示，如果是合法网址，则正常访问网络资源；如果是钓鱼网站则显示提示框提醒用户，从而达到拦截钓鱼网站的目的。