8、零日网络钓鱼攻击检测与金融欺诈检测技术解析

零日网络钓鱼攻击检测与金融欺诈检测技术解析

1. 零日网络钓鱼攻击检测技术

1.1 基于特征提取与分类的检测方法

可通过网络浏览器插件，将从网站提取的特征进行整合，以此预测网络钓鱼活动。同时，利用自适应神经模糊推理系统（ANIFS）进行分类，判断网页是可疑、合法还是钓鱼网页。其系统结构包含以下五个组件：
1. 网站分析与特征提取
2. 智能系统
3. 知识模型，包含从 PhishTank 收集的数据
4. 报告文章、项目和真实网站
5. 输出过程，以颜色编码状态显示并附带基于文本的风险解释，红色表示可疑网站，绿色表示风险较低的网站

1.2 基于深度学习的检测方法

1.2.1 Somesha 等人的方法

提出了一种使用深度神经网络（DNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN）的系统，仅使用十个特征。系统架构包括特征提取、特征选择和分类三个模块。采用信息增益（IG）算法选择相关特征，该算法通过应用阈值的排名标准来选择特征。最后，通过对特征集进行训练和交叉验证，评估其在不同参数组合下的性能。该系统使用基于 DNN、LSTM 和 CNN 的模型进行网络钓鱼 URL 检测。

1.2.2 Yang、Zhao 和 Zeng 的方法

开发了一种检测网络钓鱼网页的新方法。该方法更注重特征，认为特征选择是准确检测的首要需求。提出了一种基于深度学习的快速检测工具的多维属性网络钓鱼检测技术。具体步骤如下：
1. CNN - LSTM 步骤 ：捕获 URL 的语义和字符依赖特征并进行即时分类，包括数据预处理（长度归一化、统