《線上社交網路上惡意網址的實時預警》是依託吉林大學，由李強擔任項目負責人的面上項目。
基本介紹
- 中文名：線上社交網路上惡意網址的實時預警
- 項目類別：面上項目
- 項目負責人：李強
- 依託單位：吉林大學
項目摘要,結題摘要,
項目摘要
線上社交網路(OSN)迅速增長的用戶群和信息量，成為攻擊者的新目標。OSN帖子中的惡意網址(URL)可用於發起多種攻擊，如垃圾郵件、釣魚、傳播惡意軟體等，且速度更快、範圍更廣，造成的危害更為嚴重。然而，由於攻擊者利用OSN的特性和使用短網址等更複雜的攻擊手段，現有惡意URL檢測方法的準確率尚待提高，實時性不夠好，對攻擊技術變化的適應性也不夠強，並且適用的OSN都是國外的，國內用戶無法利用。本項目提出OSN中惡意URL實時預警技術的研究課題，充分利用OSN的特點改進惡意URL預報的準確率，使用改進的機器學習方法和客戶-服務員系統提高預報速度，採用動態檢測技術，對惡意URL庫、訓練樣本和分類模型進行自適應變化，及時更新。要在用戶點擊惡意URL之前得到預警，最大限度減少漏報率和誤報率。最終目標是提出一個適用於我國OSN上惡意URL實時預警套用軟體，及時保護用戶安全和遏制惡意URL的傳播。
結題摘要
惡意URL是攻擊者在OSN中發攻擊的主要載體，針對OSN中的惡意網址進行實時預警尤為具體和實際，由於惡意URL在OSN中傳播速度更快，範圍更廣，變化更多等特點，對其檢測的準確率，有效性和實時性還有亟提高。本項目提出了基於局部社交網路的惡意URL檢測技術研究，緊密結合未知惡意URL檢測的目標本質，深入挖掘了檢測過程的特徵。主要工作包括：1. 分析新型社交殭屍的特點和設計相應的檢測方法。收集了大部分樣本和它們的運行記錄，分析社交殭屍主機上的活動，提出了基於行為樹的檢測方法，它利用樹結構表示主機行為。使用特徵向量和編輯距離兩種方法，其中，特徵向量方法有70%的檢測精度，行為樹方法有90%的檢測精度，並且都能檢測到新型社交殭屍。2.對線上社交網路中的URL集合進行了對比性的分析，設計了基於轉發關係的特徵，同時選擇了一些基於社交圖關係的特徵，將它們構成訓練特徵集合，生成分類模型。提出了基於轉發樹的方法，將用戶與傳送的訊息關聯起來。提取了基於轉發訊息樹的六個有效特徵。通過結合現有的基於訊息和賬戶的特徵，在新浪微博數據集的幫助下，驗證這些特徵的有效性，通過實驗，該方法檢測準確率高達95.3%。3. 引入了時間因素，提出了一種度量方法來描述用戶的日常活動的變化程度，並在此基礎上提出了新的特徵用於檢測。結合了監督學習和非監督學習的檢測框架在社交網路中檢測惡意用戶。4. 提出了幾種在移動終端上完成絕大部分計算的檢測方法，利用了用戶和其在社交網路中的鄰居之間的互動，這樣使得在移動終端上對社交圖進行存儲和計算相對容易。通過計算用戶的可疑程度並設定一個閾值來判斷一個用戶是否為惡意用戶，這些方法有80%的檢測精度。已發表論文14篇，獲獎1項。本項目所取得的成果可用於發現已知和未知惡意URL和傳播惡意URL的用戶，及時保護用戶安全和遏制惡意URL的傳播。
