网络钓鱼欺诈检测技术研究

被引：13

作者：

张茜 ^{[1
,2
,3
]}

延志伟 ^{[3
]}

李洪涛 ^{[3
]}

耿光刚 ^{[3
]}

机构：

[1] 中国科学院计算机网络信息中心

[2] 中国科学院大学

[3] 中国互联网络信息中心互联网域名管理技术国家工程实验室

来源：

网络与信息安全学报 | 2017年 / 3卷 / 07期

关键词：

网络钓鱼欺诈; 钓鱼检测; 机器学习; 视觉匹配;

D O I：

暂无

中图分类号：

TP393.08 [];

学科分类号：

0839 ; 1402 ;

摘要：

分析了网络钓鱼欺诈的现状,并对钓鱼检测常用的数据集和评估指标进行了总结。在此基础上,综述了网络钓鱼检测方法,包括黑名单策略、启发式方法、视觉匹配方法、基于机器学习的方法和基于自然语言理解的方法等,对比分析了各类方法的优缺点,进一步指出了钓鱼检测面临的挑战,并展望了钓鱼检测未来的研究趋势。

引用

页码：7 / 24

页数：18

共 17 条

[1] 基于页面敏感特征的金融类钓鱼网页检测方法 [J].

胡向东 ;

刘可 ;

张峰 ;

林家富 ;

付俊 ;

郭智慧 .

网络与信息安全学报, 2017, 3 (02) :35-42

[2] 基于页面布局相似性的钓鱼网页发现方法 [J].

邹学强 ;

张鹏 ;

黄彩云 ;

陈志鹏 ;

孙永 ;

刘庆云 .

通信学报, 2016, 37(S1) (S1) :116-124

[3] 多特征分类识别算法融合的网络钓鱼识别技术 [J].

徐欢潇 ;

徐慧 ;

雷丽婷 .

计算机应用研究, 2017, 34 (04) :1129-1132

[4] 基于K-Means和SVM的流行中文钓鱼网站识别研究 [J].

赵加林 .

软件导刊, 2016, 15 (04) :176-178

[5] 恶意网页识别研究综述 [J].

沙泓州 ;

刘庆云 ;

柳厅文 ;

周舟 ;

郭莉 ;

方滨兴 .

计算机学报, 2016, 39 (03) :529-542

[6] 基于文本特征分析的钓鱼邮件检测 [J].

彭富明 ;

张卫丰 ;

彭寅 .

南京邮电大学学报(自然科学版), 2012, 32 (05) :140-145

[7] 基于异常特征的钓鱼网站URL检测技术 [J].

黄华军 ;

钱亮 ;

王耀钧 .

信息网络安全, 2012, (01) :23-25+67

[8] 基于匈牙利匹配算法的钓鱼网页检测方法 [J].

张卫丰 ;

周毓明 ;

许蕾 ;

徐宝文 .

计算机学报, 2010, 33 (10) :1963-1975

[9] 基于嵌套EMD的钓鱼网页检测算法 [J].

曹玖新 ;

毛波 ;

罗军舟 ;

刘波 .

计算机学报, 2009, 32 (05) :922-929

[10]

New Rule-Based Phishing Detection Method[J] . Mahmood Moghimi,Ali Yazdian Varjani.Expert Systems With Applications . 2016

← 1 2 →