王法玉,于晓文,陈洪涛
(天津理工大学 计算机病毒防治技术国家工程实验室,天津 300384)
在开展恶意网页识别的研究过程中,受限于恶意网页体量小生命周期短等特点,恶意网页和良性网页样本往往是不平衡的,尤其是在关注少数类问题的时候,分类结果不均衡会更加的突出,检测结果会更倾向于样本数量大的类别,导致模型的分类效果下降。因此,对不平衡数据集的恶意网页识别进行研究是很有必要的。
目前,恶意网页检测技术主要有3种:①黑名单技术,将恶意网页的域名,IP地址等信息保存到数据库,通过检索来判定是否是恶意网页;②启发式检测技术,对大量恶意网页进行分析并提取不同恶意网页之间的相似特征,创建模板,作为启发式规则去检测未知的恶意网页;③基于机器学习的检测技术,提取恶意网页和良性网页存在差异的特征,运用机器学习中的分类聚类算法(如SVM、KNN、逻辑回归、决策树等)对网页进行检测[1-7]。随着网页规模迅速变大,数据集的不平衡性日益明显[8],黑名单技术和启发式检测技术受限于恶意网页的收集和时效差的缺点难以再胜任恶意网页检测任务,而数据的不平衡性对传统机器学习模型的准确率也提出了严峻的挑战。
针对上述问题,结合处理不平衡数据集分类问题的方法,本文设计了基于欠采样、代价敏感和多层集成学习的恶意网页识别模型。使用欠采样处理数据样本,达到局部数据平衡;……