典型文献
基于gcForest算法的恶意URL检测
文献摘要：
恶意URL(Malicious URLs)是网络犯罪的重要途径,因此对恶意URL实施有效检测是保障网络安全的前提和关键.近年来,机器学习的迅猛发展为恶意URL检测提供了新的思路.鉴于此,在研究恶意URL以及对机器学习算法实验的基础上,得出基于gcForest算法的机器学习模型能够实现对恶意URL的精确分类检测,其精确度达到99.53％,远高于k近邻分类算法(k-Nearest Neighbor)和随机森林算法(Random Forest)等其他传统算法模型,具有较好的检测效果.
文献关键词：
恶意URL检测;机器学习;特征工程;gcForest
中图分类号：
作者姓名：
刘涛;李思鉴;何智帆;周宇;姚兴博
作者机构：
深圳供电局有限公司,广东深圳518133;南瑞集团(国网电力科学研究院),江苏南京210000;南京农业大学人工智能学院,江苏南京210095
文献出处：
引用格式：
[1]刘涛;李思鉴;何智帆;周宇;姚兴博-.基于gcForest算法的恶意URL检测)[J].机电信息,2022(23):11-15
A类：
gcForest,URLs
B类：
恶意,Malicious,网络犯罪,有效检测,保障网络,机器学习算法,机器学习模型,精确分类,分类检测,近邻,分类算法,Nearest,Neighbor,随机森林算法,Random,传统算法,算法模型,检测效果,特征工程
AB值：
0.356273
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
