تشخیص URL مخرب و نوع حملات آن با استفاده از ویژگی های URL و دسته بندهای چندکلاسه

امروزه، نشان یوب های URL مخرب تهدیدی مشترک برای کسب وکارها، شبکه های اجتماعی، و شبکه های بانکی هستند. با این حال، نشان یوب های مخرب با حملات تحت وب مختلفی از جمله فیشینگ، هرزنامه ها، و توزیع بدافزار سر و کار دارند. اکثر روش های موجود بر روی شناسایی دودویی مانند تشخیص مخرب یا غیر مخرب بودن نشان یوب متمرکز شده اند. تنها تعداد محدودی از پژوهش ها علاوه بر شناسایی نشان یوب مخرب، نوع حمله را نیز تشخیص می دهند. از این رو، تشخیص نوع حمله و اقتباس روش مقابله کارا یک مساله مهم به شمار می رود. در این پژوهش، راهکاری برای تشخیص نشان یوب های مخرب و نوع حمله آنها مبتنی بر دسته بندی چند کلاسه ارائه شده است. در این روش،42 ویژگی جدید شامل هرزنامه، فیشینگ، و نشانی وب های مخرب مانند ویژگی های نشانی وب ، ویژگی های منبع نشان یوب ، ویژگی های نام دامنه، و ویژگی های نشانی و ب های کوتاه شده پیشنهاد شده است. این ویژگی ها در پژوهش های اخیر تشخیص نشانی وب های مخرب و نیز نوع حمله آن ها در نظر گرفته نشده اند. مجموعه داده های دودویی و چند کلاسه با استفاده از 49935 نشانی وب متشکل از 26041 نشانی وب سالم و 23894 مخرب که از میان نشان یوب های مخرب به ترتیب 8976 ،11297 و 3621 مورد مربوط به بدافزار، فیشینگ، و هرزنامه است، ایجاد شده است. برای ارزیابی روش ارائه شده از دسته بندهای با ناظر دسته ای و برخط جدید در حوزه یادگیری ماشین بر روی مجموعه داده های دودویی و چند کلاسه استفاده شده است. در این ارزیابی، دسته بند یادگیری وزن دار معتمد با بهره گیری از ویژگی های ارائه شده نشانی وب در تنظیمات چند کلاسه، بهترین میانگین دقت در تشخیصبه میزان ? 98?44 با نرخ خطای ? 1?56 و در تنظیمات دودویی دقتی برابر با %99/86 با نرخ خطای قابل اقماض %0/14 را به دست آورده است.