基于XGBoost的带跨数据集验证的URL网络钓鱼检测方法

《IEEE Access》:XGBoost-based URL phishing detection method with cross-dataset validation

【字体: 大 中 小 】 时间:2026年03月11日 来源:IEEE Access 4.2

编辑推荐:

  摘要:本文分析了XGBoost模型在多个用于检测钓鱼网址的数据集上的性能表现,通过对不同数据集进行全面验证和比较分析,拓展了我们之前的会议论文内容。我们采用了包含三个不同数据集的验证框架——一个自定义的钓鱼数据集(75,738个样本)、大规模的GramBeddings数据集(63

  

摘要:

本文分析了XGBoost模型在多个用于检测钓鱼网址的数据集上的性能表现,通过对不同数据集进行全面验证和比较分析,拓展了我们之前的会议论文内容。我们采用了包含三个不同数据集的验证框架——一个自定义的钓鱼数据集(75,738个样本)、大规模的GramBeddings数据集(639,723个样本)以及PhiUSIIL数据集(47,103个样本)——证明了XGBoost在多种数据源上都能保持出色的性能。我们的方法解决了特征不稳定的问题,说明了平衡的特征工程对于实现可靠检测的重要性。该模型在自定义数据集上的准确率为90.7%,F1分数为91.2%,而在三个独立测试集上的平均准确率则达到了77.8%。在与神经网络的对比测试中,XGBoost在训练效率和检测质量方面更具优势,其准确率高出2.1%,训练速度更快,仅为0.95秒,而神经网络需要12.01秒,且XGBoost所需内存还减少了3.6倍。尽管神经网络的推理速度更快(7.51毫秒 vs 20.6毫秒),模型体积也更小,但XGBoost在高准确率和快速训练之间的平衡使其成为实际应用中检测钓鱼网址的理想选择。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号