基于Stacking集成学习的恶意URL检测系统设计与实现

摘要：

针对传统URL检测方法在恶意URL检测时存在的准确率不高、实时性差等问题,提出一种基于Stacking集成学习的算法模型.该模型采用机器学习单一方法中的岭分类、支持向量机、朴素贝叶斯作为初级学习器,采用逻辑回归作为次级学习器,通过初级学习器和次级学习器相结合的双层结构对URL进行检测.使用大量的URL数据集分别对单一方法中的模型和Stacking集成学习方法的模型进行训练,并对每种模型进行评估.评估结果表明,Stacking集成学习的算法模型对恶意URL检测的准确率可达98.75％,与其他模型相比提升0.75％以上.采用Flask作为开发框架,实现了恶意URL检测系统的功能,并对系统进行云端等部署,得到系统根据用户输入的URL链接可以输出URL的检测结果,具有较好的应用价值.

关键词：恶意URL检测、Stacking集成学习、检测系统设计、算法模型、模型评估、Flask框架

所属期刊栏目：46

分类号：TN911.23-34;TP399

在线出版日期：2023-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：105-109