一种基于IBGWO优化的特征选择框架，用于利用MLRNN进行基于情感分析的欺诈网站检测

《Scientific Reports》：An IBGWO optimized feature selection framework for sentiment analysis-based fraudulent website detection using MLRNN

　　

摘要

检测欺诈网站对于确保网络安全和保护用户免受在线威胁至关重要。本文引入了先进的机器学习算法来分析与恶意在线活动相关的模式、异常行为和特征，从而帮助识别欺诈网站。然而，这种方法仅能检测到已知的诈骗网站，且无法快速发现新的诈骗网站。以往的方法在处理大量数据时表现不佳，也无法提供准确的结果。此外，欺诈网站的检测对在线安全构成重大威胁，并且在处理高维特征空间、特征冗余以及应对未知攻击时的泛化能力方面存在局限性。为了解决这些问题，本文提出了一种基于改进的二进制灰狼优化（IBGWO）特征子集选择的新方法，该方法结合多层识别神经网络（MLRNN）来提升特征质量并提高整体检测精度。首先，从Kaggle数据仓库中收集了欺诈网站的样本数据。经过预处理后，通过基于属性的递归特征消除（A-RFE）方法筛选出相关特征，以提升模型性能并减少过拟合现象。接下来，特征子集选择过程从原始数据集中选取合适的特征子集，并利用IBGWO评估所选子集的质量。特征选择完成后，通过K-10折交叉验证来验证模型的准确性，该验证方法需要在不同的数据分布下重复进行10次训练和测试。K-10折交叉验证能够较为准确地反映模型的实际性能。多层识别神经网络（MLRNN）因其能够处理复杂的数据结构和模式而被用于情感分析，该模型能够有效识别与用户情绪相关的特征，从而高效地检测欺诈网站。所提出的模型在包含11,430个URL和89个特征的网页钓鱼检测数据集上进行了测试。根据混淆矩阵的分析结果，该模型的精确度、召回率、准确率、错误率、F值和时间复杂度均优于以往的方法。