抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
長い短期記憶ネットワーク(LSTM)とランダムフォレストのハイブリッドアルゴリズムを,従来のフィッシングサイトの攻撃検出モデルの高い効率,低い効率,および複雑な特徴抽出の問題を解決するために提案する。このモデルは,主にウェブサイトの文脈特徴抽出と混合特徴分類の2つの部分を含んでいる。最初に,128ステップの深さネットワーク構造を,循環ニューラルネットワークの特性に基づいて確立した。実験データは,オープンソースコミュニティによって提供されたフィッシングウェブサイトと正常サイト情報を参考にした。ウェブサイトデータの符号化は,自然言語処理技術を用いて,局所的特徴を持つネットワークアドレスシーケンスを得る。構築したLSTMネットワークを通じて、ウェブサイトの配列に対して文字の文脈の特徴を抽出し、伝統の検査方法の非文字配列の特徴を結合し、実験特徴セットを共同で構成する。その後、ランダム森林を用いて各特徴の最適分割点を獲得し、混合特徴分類モデルを構築した。このモデルでは,ネットワークアドレスデータを検出ソースとして,ランダムフォレストの文字列特性次元を低減し,一方,従来のフィッシングサイト検出の非シーケンス特性を結合して,LSTMアルゴリズムの検出特性の単一問題を補う。モデルの有効性を示すために,本論文は,ランダムフォレストアルゴリズム,LSTMアルゴリズムの比較実験を設計し,そして,LSTM訓練の時間コストの解析を行うのに,本モデルの性能について,さらに,提示したモデルの性能について,提示したモデルの効率性を,本論文で提示した。実験から,LSTMとランダム森林に基づく混合モデルは,漁場の認識精度を大幅に向上させ,モデルの精度は98.52%に達し,同じ訓練規模のLSTMの精度より3%高く,実験の単一ランダム森林の精度より7%高いことが分かった。同時に、LSTMアルゴリズムと同等の幅の精度向上のため、このハイブリッドアルゴリズムはより小さい時間コストを持つ。実験結果は,提案したハイブリッドモデルが特徴抽出と認識の効率における従来の認識モデルの問題を克服して,大量の漁場攻撃の高速認識に適していることを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】