Klassifizierung bösartiger URLs

In diesem Buch geht es um die Entwicklung eines Modells, das mithilfe von Methoden des maschinellen Lernens klassifiziert, ob eine bestimmte Website legitim oder bösartig ist, und um die Frage, ob die Erhöhung der Anzahl der Merkmale eines Modells zu einer Steigerung seiner Leistung führt. Die Autoren verwendeten drei verschiedene Fälle, um ein optimales Modell zu erstellen, wobei sich jeder Fall durch die Anzahl der im Datensatz verwendeten Merkmale unterscheidet. Im ersten Fall wurde der Basis- oder Originaldatensatz verwendet. Im zweiten Fall wurde ein erweiterter Merkmalsatz verwendet. Im dritten Fall wurde ein Algorithmus zur Merkmalsauswahl im erweiterten Merkmalsatz verwendet, um einen neuen Datensatz zu erstellen. Die zur Erstellung der Modelle verwendeten Klassifikatoren sind Random Forest, J48, C-SVC und kNN. Das Ergebnis zeigte eine Leistungssteigerung beim Vergleich der Modelle des ersten Falles mit denen des zweiten Falles. Beim Vergleich der Modelle des zweiten Falls mit den Modellen des dritten Falls wurde keine signifikante Veränderung festgestellt. Die Studie zeigte, dass es eine direkt proportionale Beziehung zwischen der Anzahl der Merkmale eines Modells und der Leistung des Modells gibt. Eine Erweiterung der Anzahl der Merkmale des Datensatzes führt zu einer Steigerung der Leistung jedes Modells.

Autorentext

Jo Simon Victoria Ambata has a college degree in Computer Science specializing in A.I. and is a Software Analyst.Dan Nicole Maghari Jacinto has a college degree in Computer Science specializing in A.I. and is a Network Engineer.Jose Lean Lumaban Gaurana has a college degree in Computer Science specializing in App Dev and is a DevOps Engineer.