20、机器学习技术在网络安全与金融欺诈检测中的应用

机器学习技术在网络安全与金融欺诈检测中的应用

一、钓鱼检测相关技术

1. 钓鱼检测方法
   • 被动检测 ：像 Google Safe Browsing API 这类服务会公布恶意 URL 黑名单。黑名单的构建方式多样，比如利用蜜罐报告或者在网络中搜索已知的钓鱼特征。不过，这种方式存在局限性，在 URL 被提交且黑名单更新之前，网络用户始终面临风险。而且大部分钓鱼网站的活跃时间不到一天，一旦被列入黑名单，其目的往往已经达成。
   • 主动检测 ：通过实时分析网页的特征来评估网页的潜在风险。常用的评估模型有提升算法、随机森林、潜在狄利克雷分配、在线增量学习和神经网络等。部分方法会利用多种网站属性，但这通常需要先渲染网站才能进行计算，增加了评估时间。而利用 URL 进行分析，由于只需处理少量文本，能有效减少评估时间。
2. 机器学习在 URL 分类中的应用
   近年来，机器学习策略在 URL 分类中的应用逐渐受到关注。一些研究通过专家学习和 URL 的词法分析来创建特征，然后将钓鱼网站的特征作为定量输入到模型中，使模型能够识别模式和关联，从而判断网站是合法还是恶意。

二、模型介绍

1. RNN（循环神经网络）

   • 前向传播与反向传播 ：在神经网络中，前向传播用于获取模型的输出，并检查输出