本發(fā)明專利技術(shù)是一種基于網(wǎng)絡(luò)群挖掘的釣魚網(wǎng)站檢測方法。對于一個給定的可疑網(wǎng)頁，利用爬蟲構(gòu)造與其相關(guān)的相關(guān)網(wǎng)頁集，進而獲取可疑網(wǎng)站和它的潛在目標網(wǎng)站，再計算網(wǎng)站的特征簽名，通過網(wǎng)站特征簽名的相似度計算，判斷可疑網(wǎng)站是否為釣魚網(wǎng)站，如果是，則返回它的目標網(wǎng)站。本發(fā)明專利技術(shù)的目的就是通過檢測可疑網(wǎng)頁所在的網(wǎng)站是否為釣魚，檢測結(jié)束的同時也找到了釣魚網(wǎng)站的目標網(wǎng)站。釣魚檢測的過程即是目標發(fā)現(xiàn)的過程，可疑網(wǎng)站只和與它相關(guān)的潛在目標網(wǎng)站做相似性計算，減少了和因特網(wǎng)中與它無關(guān)的合法網(wǎng)站之間的比較，提高了釣魚檢測的效率，有效地節(jié)約了資源，提高了工作效率。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及一種釣魚網(wǎng)站檢測的方法，主要從網(wǎng)站的相似性檢測角度利用網(wǎng)絡(luò)群挖掘可疑網(wǎng)站的相關(guān)網(wǎng)站，對釣魚網(wǎng)站進行分析識別。屬于信息安全與數(shù)據(jù)挖掘的交叉領(lǐng)域。
技術(shù)介紹
“釣魚網(wǎng)站”是伴隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)上購物的日益成熟而出現(xiàn)的一種網(wǎng)絡(luò)詐騙行為。犯罪分子模仿合法網(wǎng)站做出與之視覺上幾乎一樣的“釣魚網(wǎng)站”，用戶一旦登陸該“釣魚網(wǎng)站”就會泄露自己的敏感信息(如用戶名、口令、帳號ID、ATM PIN碼或信用卡詳細信息等)。因為“釣魚網(wǎng)站”通常模仿的是銀行或其他知名網(wǎng)站，用戶一旦受到釣魚攻擊，就會遭受經(jīng)濟損失。釣魚攻擊一般分為三個階段首先，向潛在的受害者發(fā)送釣魚郵件，將郵件接受者弓丨誘到一個精心設(shè)計的“釣魚網(wǎng)站”;然后，獲取用戶的個人敏感信息，如銀行賬號、密碼等；最后，犯罪分子用這些敏感信息進行謀利。利用被盜取的個人信息，罪犯可能盜取銀行證書，直接謀利；也有可能偷取如在線游戲或社交網(wǎng)絡(luò)的證書，將受害人用戶的虛擬金幣轉(zhuǎn)移到他們的合伙人賬戶，然后轉(zhuǎn)賣給其他玩家，間接謀利。由于大多數(shù)人在不同網(wǎng)站會使用同樣的用戶名和密碼，一旦受到某個釣魚攻擊，有可能遭受一系列的經(jīng)濟損失。防止釣魚網(wǎng)頁攻擊，從終端用戶的角度，首先要讓所有東西不可見。阻止釣魚攻擊觸及到終端用戶是第一道防線，包括過濾釣魚郵件信息，阻止假冒的網(wǎng)站，以及關(guān)閉假冒網(wǎng)站。其次是為用戶提供更好的界面，即要么給用戶更好的環(huán)境要么提供更好的保護，如瀏覽器會在用戶瀏覽釣魚網(wǎng)頁時彈出警告窗口。最后，還可以訓(xùn)練用戶主動識別和避免釣魚攻擊。目前釣魚網(wǎng)頁的識別主要分為人工識別和機器識別。人工識別主要是用黑名單機制，將可疑網(wǎng)頁與黑名單庫中的網(wǎng)頁比較，若找到相同的則為釣魚網(wǎng)頁，否則為合法網(wǎng)頁。機器識別主要是基于相似性計算，抽取可疑網(wǎng)頁的視覺特征，計算其與合法網(wǎng)頁的相似度，進而判斷其是否為釣魚網(wǎng)頁。K Komiyama等人分析了造成檢測釣魚網(wǎng)頁錯誤的原因，以及對于非英文網(wǎng)站CBD方法的效率，如日語，中文等語言的網(wǎng)頁。CBD方法是按照一定的標準從可疑網(wǎng)頁中抽取n關(guān)鍵字，按照抽取的關(guān)鍵字在搜索引擎中搜索，并假設(shè)合法網(wǎng)頁包含在返回的前m個搜索結(jié)果中，如果可疑網(wǎng)頁與前m個結(jié)果中的任一個匹配，就認為是合法網(wǎng)頁，否則為釣魚。Maher等人采用模糊數(shù)據(jù)挖掘?qū)﹄娮鱼y行釣魚進行智能檢測。他們提出了一種克服電子銀行釣魚網(wǎng)頁評估的“模糊”方法，從而構(gòu)建了一個檢測電子銀行釣魚檢測模型?；谀：壿?、數(shù)據(jù)挖掘算法，來描繪電子銀行釣魚網(wǎng)頁因素，通過釣魚方法的分類調(diào)查技術(shù)，用一種層結(jié)構(gòu)定義了六種電子銀行釣魚網(wǎng)頁攻擊標準。Crain J等人針對新一代的魚叉式釣魚，用郵件用戶插件結(jié)合自動和透明郵件的簽名方法檢測釣魚。要求每個用戶用給定的代理系統(tǒng)重定向郵件用戶。主要思想是金融機構(gòu)給用戶發(fā)送一個公共鑰匙，那么今后該機構(gòu)收到的郵件都會用這個私人鑰匙標記。現(xiàn)有的方法主要是針對釣魚網(wǎng)頁的檢測，且無論特征庫是黑名單還是白名單，每次檢測都要計算很多與可疑網(wǎng)頁關(guān)聯(lián)性不大的網(wǎng)頁之間的相似性，浪費很多資源，導(dǎo)致檢測效率低。因此，我們提出了。本方法通過挖掘可疑網(wǎng)頁相關(guān)的網(wǎng)頁，找到其可能的目標網(wǎng)站，從而減少相似度計算的比較對象。抽取網(wǎng)站的特征簽名，計算可疑網(wǎng)站與其可能的目標網(wǎng)站之間的相似性，最終找到可疑網(wǎng)站的目標網(wǎng)站。
技術(shù)實現(xiàn)思路
專利技術(shù)目的本專利技術(shù)的目的是提供一種。該方法能夠挖掘與可疑網(wǎng)頁相關(guān)的關(guān)聯(lián)網(wǎng)頁，從而找到可疑網(wǎng)站潛在的目標網(wǎng)站，縮小目標網(wǎng)站的比較范圍，提高釣魚網(wǎng)站的檢測效率，并且最終找到釣魚網(wǎng)站的目標網(wǎng)站。技術(shù)方案本專利技術(shù)實現(xiàn)方法，其特征在于該方法所包含的步驟為 步驟I)獲取可疑網(wǎng)頁的潛在目標網(wǎng)站 步驟1.1)輸入可疑網(wǎng)頁； 步驟1. 2)獲取可疑網(wǎng)頁所在的網(wǎng)站； 步驟1. 3)獲取可疑網(wǎng)頁的相關(guān)網(wǎng)頁群 步驟1. 3.1)輸入可疑網(wǎng)頁中的所有鏈接； 步驟1. 3. 2)生成種子網(wǎng)頁集； 步驟1. 3. 3)初始化迭代次數(shù)為0 ; 步驟1. 3. 4)生成有向圖，迭代次數(shù)加1: 步驟1.3. 4.1)根據(jù)種子網(wǎng)頁集，生成初始有向 步驟1. 3. 4. 2)獲取種子網(wǎng)頁集中所有網(wǎng)頁的后向鏈接網(wǎng)頁； 步驟1.3. 4. 3)把步驟1.3. 4.2)中找到的新網(wǎng)頁加入有向圖，更新有向 步驟1. 3. 4. 4)獲取新網(wǎng)頁的前向鏈接網(wǎng)頁； 步驟1.3. 4. 5)把步驟1.3. 4.4)中找到的新網(wǎng)頁加入有向圖，更新有向 步驟1. 3. 5)判斷有向圖中是否包含可疑網(wǎng)頁，如果包含，轉(zhuǎn)步驟4.1),否則，轉(zhuǎn)步驟1.3. 6)； 步驟1. 3. 6)用最大流最小切算法切割有向 步驟1. 3. 7)獲取可疑網(wǎng)頁的相關(guān)網(wǎng)頁群； 步驟1. 3. 8)判斷迭代次數(shù)是否小于N次，N是常數(shù)，如果不小于，轉(zhuǎn)步驟1. 3. 9)，否則，轉(zhuǎn)步驟1. 4)； 步驟1. 3. 9)更新種子網(wǎng)頁集 步驟1. 3. 9.1)將屬于相關(guān)網(wǎng)頁群，但是不屬于種子網(wǎng)頁集，且到它的出度或入度最高的網(wǎng)頁加入集合種子網(wǎng)頁集； 步驟1. 3. 9. 2)將屬于種子網(wǎng)頁集，但是不屬于相關(guān)網(wǎng)頁群，且到它的出度與入度之和小于m的網(wǎng)頁從種子網(wǎng)頁集中去除； 步驟1. 3. 10)判斷種子網(wǎng)頁集是否有改變，如果有改變，則轉(zhuǎn)步驟1. 3. 4)，否則，轉(zhuǎn)步驟1. 4)； 步驟1. 4)獲取可疑網(wǎng)頁的潛在目標網(wǎng)頁群 步驟1. 4.1)獲取相關(guān)網(wǎng)頁群的鄰接矩陣； 步驟1. 4. 2)計算鄰接矩陣的轉(zhuǎn)置與鄰接矩陣的乘積矩陣； 步驟1. 4. 3)計算鄰接矩陣與其轉(zhuǎn)置矩陣的乘積矩陣； 步驟1. 4. 4)計算乘積矩陣的特征值； 步驟1. 4. 5)計算乘積矩陣的特征向量； 步驟1. 4. 6)歸一化特征值、特征向量； 步驟1. 4. 7)獲取歸一化絕對值最大的元素； 步驟1. 4. 8)計算鄰接矩陣與其轉(zhuǎn)置矩陣的乘積矩陣； 步驟1. 5)獲取潛在目標網(wǎng)頁群； 步驟2)獲取網(wǎng)站的網(wǎng)站特征簽名 步驟2.1)將網(wǎng)站內(nèi)的網(wǎng)頁以圖片的形式保存下來； 步驟2. 2)提取網(wǎng)頁全局特征，內(nèi)容形式是六維向量〈網(wǎng)頁標題，網(wǎng)頁文件的大小，網(wǎng)頁中包含的圖片個數(shù)，網(wǎng)頁全局圖片的面積，網(wǎng)頁全局圖片的顏色直方圖，網(wǎng)頁全局圖片的二維哈爾小波變換> 步驟2. 3)計算網(wǎng)頁的感知哈希特征，內(nèi)容形式是三維向量〈離散余弦變換，馬爾算子，徑向方差〉； 步驟2. 4)獲取網(wǎng)站的網(wǎng)站特征簽名； 步驟3)網(wǎng)站特征簽名的相似性計算 步驟3.1)輸入兩個網(wǎng)站的特征簽名； 步驟3. 2)獲取兩個簽名的第一對節(jié)點； 步驟3. 3)利用節(jié)點間相似性計算方法計算兩節(jié)點之間的相似度； 步驟3. 4)判斷相似度是否大于O，如果不大于，轉(zhuǎn)步驟3. 7)，否則，轉(zhuǎn)步驟3. 5)； 步驟3. 5)在節(jié)點之間添加一條權(quán)值為相似度的邊； 步驟3. 6)判斷簽名的節(jié)點是否遍歷全部遍歷，如果全部遍歷，轉(zhuǎn)步驟3. 8)，否則，轉(zhuǎn)步驟 3. 7)； 步驟3. 7)獲取特征簽名的下一對節(jié)點； 步驟3. 8)獲取網(wǎng)站特征簽名的二分 步驟3. 9)判斷兩個網(wǎng)站的特征簽名的長度是否相等，如果相等，則轉(zhuǎn)步驟3. 11)，否則，轉(zhuǎn)步驟3. 10)； 步驟3. 10)獲取二分圖的擴展二分完全 步驟3.本文檔來自技高網(wǎng)...
【技術(shù)保護點】
一種基于網(wǎng)絡(luò)群挖掘的釣魚網(wǎng)站檢測方法，其特征在于該檢測方法所包含的步驟為：步驟1)?獲取可疑網(wǎng)頁的潛在目標網(wǎng)站：步驟1.1）輸入可疑網(wǎng)頁；步驟1.2）獲取可疑網(wǎng)頁所在的網(wǎng)站；步驟1.3）獲取可疑網(wǎng)頁的相關(guān)網(wǎng)頁群：步驟1.3.1）輸入可疑網(wǎng)頁中的所有鏈接；步驟1.3.2）生成種子網(wǎng)頁集；步驟1.3.3）初始化迭代次數(shù)為0；步驟1.3.4）生成有向圖，迭代次數(shù)加1：步驟1.3.4.1）根據(jù)種子網(wǎng)頁集，生成初始有向圖；步驟1.3.4.2）獲取種子網(wǎng)頁集中所有網(wǎng)頁的后向鏈接網(wǎng)頁；步驟1.3.4.3）把步驟1.3.4.2）中找到的新網(wǎng)頁加入有向圖，更新有向圖；步驟1.3.4.4）獲取新網(wǎng)頁的前向鏈接網(wǎng)頁；步驟1.3.4.5）把步驟1.3.4.4）中找到的新網(wǎng)頁加入有向圖，更新有向圖；步驟1.3.5）判斷有向圖中是否包含可疑網(wǎng)頁，如果包含，轉(zhuǎn)步驟4.1），否則，轉(zhuǎn)步驟1.3.6）；步驟1.3.6）用最大流最小切算法切割有向圖；步驟1.3.7）獲取可疑網(wǎng)頁的相關(guān)網(wǎng)頁群；步驟1.3.8）判斷迭代次數(shù)是否小于N次，N是設(shè)定的常數(shù)，如果不小于，轉(zhuǎn)步驟1.3.9），否則，轉(zhuǎn)步驟1.4）；?步驟1.3.9）更新種子網(wǎng)頁集：步驟1.3.9.1）將屬于相關(guān)網(wǎng)頁群，但是不屬于種子網(wǎng)頁集，且到它的出度或入度最高的網(wǎng)頁加入集合種子網(wǎng)頁集；步驟1.3.9.2）將屬于種子網(wǎng)頁集，但是不屬于相關(guān)網(wǎng)頁群，且到它的出度與入度之和小于m的網(wǎng)頁從種子網(wǎng)頁集中去除；步驟1.3.10）判斷種子網(wǎng)頁集是否有改變，如果有改變，則轉(zhuǎn)步驟1.3.4），否則，轉(zhuǎn)步驟1.4）；步驟1.4）獲取可疑網(wǎng)頁的潛在目標網(wǎng)頁群：步驟1.4.1）獲取相關(guān)網(wǎng)頁群的鄰接矩陣；步驟1.4.2）計算鄰接矩陣的轉(zhuǎn)置與鄰接矩陣的乘積矩陣；步驟1.4.3）計算鄰接矩陣與其轉(zhuǎn)置矩陣的乘積矩陣；步驟1.4.4）計算乘積矩陣的特征值；步驟1.4.5）計算乘積矩陣的特征向量；步驟1.4.6）歸一化特征值、特征向量；步驟1.4.7）獲取歸一化絕對值最大的元素；步驟1.4.8）計算鄰接矩陣與其轉(zhuǎn)置矩陣的乘積矩陣；步驟1.5）獲取潛在目標網(wǎng)頁群；步驟2）獲取網(wǎng)站的網(wǎng)站特征簽名：步驟2.1）將網(wǎng)站內(nèi)的網(wǎng)頁以圖片的形式保存下來；步驟2.2）提取網(wǎng)頁全局特征，內(nèi)容形式是六維向量：；?步驟2.3）計算網(wǎng)頁的感知哈希特征，內(nèi)容形式是三維向量：；步驟2.4）獲取網(wǎng)站的網(wǎng)站特征簽名；步驟3）網(wǎng)站特征簽名的相似性計算：步驟3.1）輸入兩個網(wǎng)站的特征簽名；步驟3.2）獲取兩個簽名的第一對節(jié)點；步驟3.3）利用節(jié)點間相似性計算方法計算兩節(jié)點之間的相似度；步驟3.4）判斷相似度是否大于0，如果不大于，轉(zhuǎn)步驟3.7），否則，轉(zhuǎn)步驟3.5）；步驟3.5）在節(jié)點之間添加一條權(quán)值為相似度的邊；步驟3.6）判斷簽名的節(jié)點是否遍歷全部遍歷，如果全部遍歷，轉(zhuǎn)步驟3.8），否則，轉(zhuǎn)步驟3.7）；步驟3.7）獲取特征簽名的下一對節(jié)點；步驟3.8）獲取網(wǎng)站特征簽名的二分圖；步驟3.9）判斷兩個網(wǎng)站的特征簽名的長度是否相等，如果相等，則轉(zhuǎn)步驟3.11），否則，轉(zhuǎn)步驟3.10）；步驟3.10）獲取二分圖的擴展二分完全圖；步驟3.11）利用二分圖的最佳匹配算法獲取二分圖的最佳匹配；步驟3.12）計算二分圖最佳匹配中的邊的加權(quán)平均值；步驟3.13）獲取網(wǎng)站簽名的相似度；步驟4）輸出釣魚檢測的結(jié)果：步驟4.1）判斷相似度是否大于閾值，如果大于，則可疑網(wǎng)站為釣魚網(wǎng)站，并輸出其目標網(wǎng)站，否則，輸出：“可疑網(wǎng)站是合法網(wǎng)站”。...
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張衛(wèi)豐，滕雯靜，張迎周，周國強，王子元，周國富，錢小燕，許碧歡，陸柳敏，
申請(專利權(quán))人：南京郵電大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。