计算机应用研究

作者：耿海军,蔚超,胡治国,郭小英,池浩田,杨静,

单位：1.山西大学a.自动化与软件学院;b.计算机与信息技术学院,太原030006；2.山西清众科技股份有限公司,太原030000；

关键词：恶意URL,极度随机树,半监督学习,生成对抗网络,在线学习,

基金：国家自然科学基金资助项目(62472267)；山西省应用基础研究计划资助项目(20210302123444,20210302123455)；中国高校产学研创新基金资助项目(2021FNA02009)；国家自然科学基金资助项目(61702315,61906115,62472267)；同济大学嵌入式系统与服务计算教育部重点实验室开放课题(ESSCKF2021-04)；山西省重点研发计划资助项目(201903D421003)；国家重点研发计划资助项目(2018YFB1800401)；；

随着万维网的广泛应用和网络威胁的日益严峻，统一资源定位符（uniform resource locator，URL）的安全性成为了网络安全领域的研究热点，如何有效检测并防范恶意URL已经成为了业内非常关注的问题。针对恶意URL检测中存在的数据获取困难、特征表示不足以及模型概念漂移挑战，提出了一种基于EMO-GAN的恶意URL检测框架（EMO-GAN-based malicious URL detection framework，EMO-GANUDF）。该框架通过结合极度随机树（extremely randomized trees，ET）和边缘生成对抗网络（margin generative adversarial network，MarginGAN）进行半监督学习，有效解决了数据获取困难问题。在特征提取上，该框架提出了一种综合统计、字符和词汇特征的特征表示方法，实现了URL的高效特征表示。此外，为了应对模型概念漂移问题，该框架提出了一种支持在线学习（online learning）的分类器，增强了模型拓展性和适应性。在多个数据集和不同检测方法上进行对比实验，所提方法在Malicious URLs公开数据集上达到了99%的准确率和84%的F1分数，较其他检测方法取得了更好的效果，证明了其有效性及优越性。

来源：2025年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第2期