Feature Extraction and Analysis Approach for Distinguishing Between Different Types of Malicious Websites
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3079078Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Denne oppgaven fokuserer på å skille mellom forskjellige typer ondsinnede nettsteder ved å identifisere fremtredende attributter blant forskjellige typer ondsinnede nettsider. Den raske utviklingen av ondsinnede nettsteder utgjør en betydelig sikkerhetstrussel, og oppgaven med å identifisere dem er ofte kompleks på grunn av deres stadig utviklende strategier og etterligning av legitime nettsteder. Tradisjonelle tiltak faller kort på grunn av deres manuelle natur og manglende evne til raskt å tilpasse seg skiftende trusler. Denne studien tar sikte på å ta tak i disse utfordringene ved å hente ut fremtredende attributter fra et sett med nettstedsattributter som URL og innhold. Dette gjøres ved bruk av maskinlæringsmodeller som blir brukt til å evaluere atributtene for deres bidrag i å klassifisere disse nettstedene nøyaktig. Gitt internett-truslers dynamiske natur, så inkluderer studiens tiltenkte bidrag utviklingen av en metode for å hente ut og analysere de staig endrende attributtene til forskjellige ondsinnede nettsteder. This thesis focuses on distinguishing between different types of malicious websites by identifying prominent features among different types of malicious web pages. The rapid evolution of malicious websites poses significant security threats, and the task of identifying them is often complex due to their evolving strategies and mimicry of legitimate websites. Traditional measures fall short due to their manual nature and inability to adapt swiftly to changing threats. This research aims to address these challenges by extracting significant features from a set of website attributes such as URL and content features. This is done using machine learning models that are applied and evaluates features for their performance in accurately classifying these websites. Given the dynamic nature of internet threats, the study's intended contribution includes the development of a method to extract and analyze the changing patterns of different malicious websites.