一种非常规“暗链”的清除探索

网页被植入暗链是企事业网站、教育类网站上常见的攻击行为,攻击手法变化多样,往往不容易被轻易检测出来。笔者遇到了一种非常规的暗链,它并没有在网页中直接植入隐蔽的链接代码,并且该暗链无法在电脑端访问,只能在手机端打开。通过分析攻击路径、木马特点、IIS日志、暗链来源等一系列的排查和探索,终于找到了暗链实现挂网的操作流程并对其进行了清除。

融合差分进化的网页暗链集成分类检测方法

“暗链”也称黑链,是一种在网站中不易被搜索引擎察觉的链接,其通过隐蔽植入高权重的网站外链扰乱搜索引擎排名,破坏网络环境。它和友情链接有着相似之处,虽然可以有效并快速提高网站的PR值,但是在网站中存在一定的风险性。针对目前网页暗链检测方法中特征集合存在冗余和维数灾难的状况,提出一种基于融合差分进化算法的集成分类器的机器学习网页暗链检测方法。对提取到的初始特征集合首先进行过滤式特征选择,其次通过主成分分析法对特征进行二次提取,最后对决策树、随机森林、AdaBoost以及支持向量机四种分类器利用差分进化方法进行投票集成。实验结果表明,上述方法具有较高的准确度和可靠性,正确识别率达99.8442368%,可为搜索引擎检测暗链行为提供有力的实践支撑。

基于深度学习的网页篡改远程检测研究

为了更为精确和全面地对网页篡改攻击进行远程检测,基于语料库建设和深度学习方法改进了检测过程。大规模获取了可能被篡改攻击的网页,并基于语料库建设方法,人工建立了网页篡改数据库。基于深度神经网络,提出了融合文本特征、结构特征和网络特征的自动检测算法。该文提出的方法可以判断网页是否被篡改和被篡改的类型。经过实验,该文提出的方法在测试数据集上的精确率、召回率和F值分别为为95.6%、96.7%和96.1%,显著超过基准方法。

基于机器学习的网页暗链检测方法

在大数据时代下,传统暗链检测技术无法在海量网页中快速准确地识别出遭遇"暗链攻击"的网站。为此,提出一种引入机器学习的方法研究网页的暗链检测。该方法结合暗链的域名、相关文本及隐藏结构3种特征,分别采用分类与回归树、梯度提升决策树及随机森林3种算法来构建检测模型并对比其的性能。实验结果表明,该方法具有较高的准确性和可靠性,其中随机森林构建的检测模型分类准确率可以达到0. 984。

基于统计机器学习的互联网暗链检测方法

互联网搜索引擎排名算法中,外部链接是一个重要因素,而利用链接作弊现象普遍存在于互联网中。暗链是链接作弊其中的一种手段,难以检测和清除,被称为"网络牛皮癣"。为了维护公平的搜索引擎排名机制,保证搜索结果质量,针对暗链这种作弊手段,提出了一种基于机器学习的互联网暗链检测方法,该方法结合网页源码锚文本的特征检测暗链。给出了相关性能分析,在真实的网络环境下的实验验证表明了所提出的方法可行有效。该研究为搜索引擎打击链接隐藏的作弊行为提供了理论和实践支撑。

基于Scrapy+LR分类器的暗链检测方法的设计与实现

随着网页被植入暗链的网络安全事件不断增加,传统基于规则检测暗链的规则库覆盖不全面、低检出率等问题更加凸显。设计一种基于Scrapy和LR分类器的暗链检测方法,通过Scrapy爬取目标网页,利用分类器模型检测是否植入暗链,检测结果用来扩充数据集,迭代更新分类器模型。模型训练中利用网格搜索与交叉验证选择最优超参数,最优模型的f1分数达到0.956。此外随着数据集的扩充,测试集的暗链检测召回率及f1分数逐渐提高。

多域识别构建监督学习模型检测网页暗链

网页被植入暗链是企事业网站上常见的攻击行为,攻击手法变化多样,传统方法基于规则检测已经无法高效检出。本文使用域识别机制提取风险文本和安全文本,通过LDA模型和Doc2vec模型计算主题异样度、风险文本异常概率、风险文本向量等特征,分别选用SVM模型、逻辑回归模型、随机森林模型构建监督学习模型检测网页暗链并对比模型效果。实验结果表明,该方法具有较好的检出效果和运行效率,其中随机森林模型检出准确率达到了0.999。