基于机器学习的工业系统网络安全监控领域风险评估

《Processes》：Machine Learning-Based Domain Risk Assessment for Cybersecurity Monitoring in Industrial Systems

　　

摘要

在网络安全领域，恶意网站分类对于保护工业系统至关重要。因此，研究人员致力于分析网络安全威胁，长期目标是开发有效检测与分类恶意网站的方法。本文评估了使用域名特征结合机器学习方法进行恶意网站分类的可行性。特征向量由44个基础设施、词汇、结构及声誉相关特征组成。模型比较包括逻辑回归、支持向量机、随机森林、AdaBoost 和 XGBoost。实验基于恶意钓鱼数据集（2021）中的247,730个URL进行，相关特征于2026年4月提取。通过ANOVA F检验、SHAP值、XGBoost增益及置换重要性分析，最具预测力的特征与域名注册历史、DNS基础设施及基于声誉的排名相关。最佳模型在PhishDestroy于2026年5月30日发布的1000个活跃钓鱼域名单上验证，召回率达到70%，而采用三级风险尺度后，84.9%的域名被标记为恶意或可疑。