[发明专利]一种基于深度学习的钓鱼网站URL检测方法

权利要求书

1.一种基于深度学习的钓鱼网站URL检测方法，其特征在于，该方法主要包括三个步骤，具体如下：

步骤1，URL字符嵌入表示：首先将URL看做字符串序列，从字符层面量化URL，规格化URL，然后将URL字符转换成独热码(one-hot encode)，最后通过卷积神经网络的嵌入(Embedding)层生成二维稠密矩阵即Embedding矩阵；

步骤2，CNN-LSTM分类层：Embedding矩阵首先通过卷积神经网络的CNN卷积层抽取局部关联性特征，接着抽取的局部关联性特征经池化层降低卷积神经网络模型复杂度；然后通过长短期记忆网络LSTM检测池化序列中的语义和长程依赖关系；最后输入到Softmax单元；

步骤3，模型训练：采用交叉熵损失函数，并利用Adam即自适应时刻估计算法迭代训练模型，优化损失函数；

步骤1中，URL字符嵌入表示将URL字符串序列量化编码，作为卷积神经网络CNN的输入；首先要确定URL中可能出现的所有字母字符、数字字符和特殊字符，并构建字符映射表；

假定每个URL字符序列长度固定为L，若URL长度超过L，则在URL末尾截取多余的字符，若URL长度少于L，则在URL首部补零直至长度达到L；

根据字符映射表，其中首部补零字符对应编号为0，URL中的字符“0”对应编号为53，最终每个字符被转换为长度为m的one-hot向量x，向量中字符对应编号位置为1，其余位置皆为0，因此URL被转换为公式(2)所示矩阵X；

X＝(x₁,x₂，...,x_L) (2)

将one-hot编码的矩阵X中的每个one-hot向量投影到d维连续向量空间对应神经网络中的嵌入层，其可理解为一个输入为m个神经元，输出为d个神经元的全连接神经网络；

Embedding层的参数值随机初始化，并在模型训练过程中迭代更新；设输入为d个神经元，输出为m个神经元的Embedding全连接层参数矩阵为则对one-hot向量x_t，x_t表示矩阵X的一个列向量，其最终嵌入向量e_t如公式(3)所示；

最后URL字符串序列被转换为如公式(4)所示的稠密矩阵序列E，作为URL的字符嵌入矩阵；

E＝WX＝(w₁,w₂,…,w_d)^T×(x₁,x₂,…,x_L)＝(e₁,e₂,…,e_L) (4)。