28、人工智能在反网络钓鱼与软件工程中的应用

人工智能在反网络钓鱼与软件工程中的应用

反网络钓鱼技术

在网络安全领域，反网络钓鱼是一项至关重要的任务。下面将介绍一种基于URL的反网络钓鱼技术。

环境搭建

使用配备i5英特尔处理器（时钟速度3.0 GHz）和8.810 GB RAM的笔记本电脑来运行反网络钓鱼框架。采用Python编程实现策略，因为Python拥有丰富的库支持，并且编译速度快。
操作步骤如下：
1. 确定相关实用的特征以识别钓鱼网站。
2. 从合法和钓鱼网站中提取特征，创建数据集。
3. 使用标记好的数据集训练随机森林分类器。
4. 为每个特征开发单独的函数，从原始网站下载并提取所需的库来提取网站特征。通过从网页源代码中提取特征，可减少处理和响应时间，使方法更可靠有效。

性能指标

为评估反网络钓鱼技术的有效性，计算了准确率、真阳性率（TPR）、假阳性率（FPR）、真阴性率（TNR）和假阴性率（FNR），这些是评估反网络钓鱼策略的常用指标。以下是不同分类算法的性能比较：
| 算法 | FPR (%) | TPR (%) | 准确率 (%) |
| — | — | — | — |
| SVM | 5.25 | 97.32 | 97.26 |
| 朴素贝叶斯 | 3.49 | 96.46 | 96.89 |
| 决策树 | 2.29 | 97.53 | 97.15 |
| XGBoost | 2.43 | 98.41 | 98.25 |
| 随机森林 | 1.35 | 97.89 | 98.19 |

从这些数据可以看出，XGBoos