شناسایی لینک مخرب با استفاده از LightGBM

لینکهای مخرب تهدید قابل توجهی برای امنیت سایبری هستند که فیشینگ، توزیع بدافزار و سایر حملات را تسهیل می کنند. روشهای تشخیص سنتی برای همگام شدن با تکنیک های متخاصم در حال تکامل، تلاش می کنند که نیازمند راه حل های قوی مبتنی بر یادگیری ماشین باشند. در این مطالعه، ما یک دسته بندی مبتنی بر LightGBM را برای شناسایی لینکهای مخرب با استفاده از مجموعه داده های ۶۵۱۱۹۱ نمونه در چهار دسته پیشنهاد می دهیم: امن، تغییرچهره، فیشینگ و بدافزار. ما ۲۰ ویژگی واژگانی و ساختاری را از لینک ها، شامل طول، آنتروپی، تعداد زیردامنه ها و الگوهای پارامتر، برای ثبت ویژگی های متمایز مهندسی کردیم. این مدل از فراپارامترهای بهینه شده و یادگیری با وزن کلاس برای رسیدگی به عدم تعادل داده ها استفاده کرده و به دقت کلی ۸۵.۶۸ با عملکرد قوی در هر کلاس (نمرات F۱ نود و دو درصد برای تغییرچهره، ۸۴ درصد برای بدافزار و ۶۳ درصد برای فیشینگ) دست یافته است. تجزیه و تحلیل ما چالش های کلیدی را در تشخیص فیشینگ به دلیل همپوشانی ویژگی ها با پیوندهای امن نشان می دهد، در حالی که پیوندهای تغییرچهره و بدافزار متمایزتر هستند. نتایج کارایی LightGBM را برای شناسایی لینکهای مخرب مقیاس پذیر، با کاربردهای بالقوه در فیلترینگ وب و سیستم های هوشمند تهدید به صورت بلادرنگ نشان می دهد.

کلیدواژه ها:

امنیت سایبری ، فیشینگ ، بدافزار ، یادگیری ماشین ، لینک مخرب