通过特征选择技术(Feature Selection Techniques)识别钓鱼网站(Phishing Website)检测的关键特征(Key Features)

《Frontiers in Computer Science》:Identifying key features for phishing website detection through feature selection techniques

【字体: 大 中 小 】 时间:2026年01月22日 来源:Frontiers in Computer Science 2.7

编辑推荐:

  过去几年中,网络钓鱼(Phishing)已演变为日益普遍的网络犯罪形式,随着更多人群使用互联网及其应用,钓鱼是一种针对用户敏感或个人信息的社交工程(Social Engineering)攻击。本文旨在实现两个主要目标:第一,从代表六种学习策略(Learning

  
过去几年中,网络钓鱼(Phishing)已演变为日益普遍的网络犯罪形式,随着更多人群使用互联网及其应用,钓鱼是一种针对用户敏感或个人信息的社交工程(Social Engineering)攻击。本文旨在实现两个主要目标:第一,从代表六种学习策略(Learning Strategies)的40种分类器(Classifier)中识别出检测钓鱼网站最有效的分类器;第二,确定哪种特征选择(Feature Selection)方法在含有钓鱼数据集的数据集上表现最佳。通过分析三个不同的钓鱼相关数据集并评估八项度量指标(Metrics),本研究发现随机森林(Random Forest)和随机树(Random Tree)在识别钓鱼网站方面优于其他方法;同样,增益比属性评估器(GainRatioAttributeEval)与信息增益属性评估器(InfoGainAttributeEval)的表现优于本研究考察的其他五种特征选择方法。
研究背景与意义
近年来电子商务与社交媒体广泛普及,攻击者通过仿冒合法网站的钓鱼网页诱骗用户泄露账号、信用卡等敏感信息,据Anti-Phishing Working Group报道2020年12月单月检出超19.9万例。现有软件检测手段包括黑名单、启发式和机器学习(Machine Learning, ML),以往ML方法常依赖大量特征,实时提取困难。因此需在保证检测性能前提下筛选最具判别力的特征,并明确最适合钓鱼网站数据集的分类算法。该研究发表于《Frontiers in Computer Science》,对构建高效轻量化的钓鱼网站检测模型具有实用价值。
关键技术方法
研究人员选用UCI仓库中三个钓鱼网站数据集(DS1:11055条实例、30整型特征、二分类;DS2:10000条实例、9整型特征、三分类;DS3:2670条实例、13整型特征、二分类)。预处理阶段剔除全零常量特征(如HttpsInHostname),对齐三数据集共有18个关键属性,采用Spearman秩相关系数检验特征两两共线性,利用方差膨胀因子(Variance Inflation Factor, VIF)与p值(<0.05)筛选独立显著特征。特征选择方法评估含相关性属性评估器(CorrelationAttributeEval, CAE)、增益比属性评估器(GainRatioAttributeEval, GRAE)、信息增益属性评估器(InfoGainAttributeEval, IGAE)及主成分分析(Principal Component Analysis, PCA)。分类器涵盖六类学习策略共40种(如树策略的Random Forest、Random Tree、REPTree;贝叶斯策略的Naive Bayes;函数策略的SVM-SMO、MultilayerPerceptron;惰性学习Lazy的IBK;集成Meta的AdaBoostM1、Bagging、RandomCommittee等),均采用WEKA默认参数,以十折交叉验证(10-fold Cross-Validation)评估准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F-measure、马修斯相关系数(Matthews Correlation Coefficient, MCC)、ROC曲线下面积(ROC Area)及PRC Area。
研究结果
3 Research methodology
研究人员设计"数据集收集→清洗预处理→特征选择→分类器训练与评估"流程,使用Python(statsmodels、scikit-learn、Matplotlib、Seaborn)计算VIF与p值,经筛选合并三数据集得到15个显著独立特征,并在WEKA中对每种特征选择方法搭配40个分类器做十折交叉验证。
4 Comparative analysis amongst the classification models in the domain of website phishing
在DS1、DS2、DS3上分别测试40个分类器后发现:Random Forest与Random Tree(属Trees树学习策略)在Accuracy、Recall、MCC、F-measure及ROC Area多项指标综合表现最优;IBK(Lazy策略)在部分数据集Accuracy上略高,RandomCommittee(Meta策略)在Precision上有较好表现但综合不及树模型。汇总表(Table 19)显示Random Tree在13项评价中居首,Random Forest在7项中居首。结论为对于钓鱼网站数据集,树学习策略特别是Random Forest是首选分类器。
5 Best feature selection method to use with phishing website datasets
将五种特征选择方法配合40个分类器在DS1上以Accuracy、Precision、MCC评估,结果表明:GRAAE与IGAE选出的前15个特征可使Random Forest等模型的Accuracy、Precision、MCC较使用全部30特征时有所提升或持平且模型更精简;CAE与PCA效果相对较弱。GRAAE在Precision指标搭配Random Forest时取得最高值,IGAE在MCC指标搭配Random Forest时取得最高值。综合多指标跨三个数据集,GRAAE与IGAE优于CAE与PCA,推荐作为钓鱼检测的特征选择方法。
讨论与结论翻译
本研究旨在识别构建更强钓鱼网站检测机器学习模型的最优特征。经过评估发现集成方法中的随机森林(Random Forest)、随机树(Random Tree)与IBK分类器证明最有效。在评估数种钓鱼网站检测的特征选择方法后,信息增益属性评估器(InfoGainAttributeEval)与增益比属性评估器(GainRatioAttributeEval)被认定为可靠选择。未来研究应关注额外分类样式及其他度量指标的进一步评估,以持续完善非法在线活动追踪的检测精度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号