Classification des URL malveillants by Ambata, Jo Simon; Gaurana, Jose Lean; Jacinto, Dan Nicole;

Long description:

Cet ouvrage a pour objectif de développer un mod?le permettant de classer un certain site Web comme légitime ou malveillant ? l'aide de méthodologies d'apprentissage automatique et de déterminer si l'augmentation du nombre de caractéristiques d'un mod?le entraîne une augmentation de ses performances. Les auteurs ont utilisé trois cas distincts pour générer un mod?le optimal, chaque cas différant par le nombre de caractéristiques utilisées dans l'ensemble de données. Le premier cas a utilisé la base ou l'ensemble de données original. Le deuxi?me cas a utilisé un ensemble de caractéristiques étendu. Un algorithme de sélection des caractéristiques a été utilisé dans l'ensemble de caractéristiques étendu pour créer un nouvel ensemble de données pour le troisi?me cas. Les classificateurs utilisés pour générer les mod?les sont Random Forest, J48, C-SVC et kNN. Le résultat a montré une augmentation des performances en comparant les mod?les du premier cas ? ceux du deuxi?me cas. Aucun changement significatif n'a été observé lorsque les mod?les du deuxi?me cas ont été comparés ? ceux du troisi?me. L'étude a montré qu'il existe une relation directement proportionnelle entre le nombre de fonctionnalités d'un mod?le et les performances de ce dernier. L'augmentation du nombre de caractéristiques de l'ensemble de données conduit ? une augmentation de la performance de chaque mod?le.