萬夢翔，姚寒冰 ，2

1.武漢理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，武漢 430063

2.武漢理工大學(xué) 交通物聯(lián)網(wǎng)技術(shù)湖北省重點實驗室，武漢 430070

隨著科技的發(fā)展，互聯(lián)網(wǎng)上層出不窮的應(yīng)用服務(wù)給人們生活帶來便利的同時也產(chǎn)生了許多安全問題。各式各樣的惡意網(wǎng)頁，在用戶不知情的情況下，竊取用戶隱私信息，對用戶網(wǎng)絡(luò)安全構(gòu)成了極大的威脅。瑞星中國網(wǎng)絡(luò)安全報告[1]顯示，2018年瑞星在全球范圍內(nèi)共攔截惡意網(wǎng)頁1.06 億個，中國地區(qū)339 萬個，并且有持續(xù)增長趨勢。

惡意網(wǎng)頁是一類以網(wǎng)頁木馬、釣魚網(wǎng)站為代表的網(wǎng)頁，惡意網(wǎng)頁通過偽裝成合法網(wǎng)站或在頁面中嵌入惡意腳本等方式，在用戶訪問時對其網(wǎng)絡(luò)安全構(gòu)成威脅。針對惡意網(wǎng)頁識別問題，一般有傳統(tǒng)黑名單技術(shù)[2]、基于啟發(fā)式規(guī)則的方法[3]、基于機器學(xué)習(xí)的方法[4-5]以及動態(tài)檢測技術(shù)[6-7]等?，F(xiàn)有檢測方案還存在著一些缺陷：黑名單技術(shù)不能檢測新出現(xiàn)的惡意網(wǎng)頁；基于啟發(fā)式規(guī)則的方法存在規(guī)則更新難，誤判率高的問題；基于機器學(xué)習(xí)的方法需要大量標記的網(wǎng)頁樣本，但是惡意網(wǎng)頁樣本收集困難，樣本標注工作量大；使用動態(tài)檢測技術(shù)對資源、時間的消耗較大。

基于機器學(xué)習(xí)的惡意網(wǎng)頁識別方法主要通過收集大量有標記的網(wǎng)頁樣本，通過特征提取將樣本集轉(zhuǎn)換成特征向量集，然后訓(xùn)練一個分類器或多個分類器組成集成分類器，最后通過訓(xùn)練好的分類器對待測樣本進行檢測。但是惡意網(wǎng)頁生存期短，攻擊手段多變，導(dǎo)致樣本收集困難，難以獲取充足的均衡樣本集。本文在分析惡意網(wǎng)頁的傳統(tǒng)靜態(tài)統(tǒng)計特征基礎(chǔ)上，結(jié)合條件生成對抗網(wǎng)絡(luò)（Conditional GAN，CGAN），利用生成器擴展生成網(wǎng)頁特征樣本以解決樣本收集難、樣本標注工作量大等問題，并通過實驗驗證了生成網(wǎng)頁樣本數(shù)據(jù)的有效性。

1 相關(guān)工作

生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）是Goodfellow等[8]在2014年提出的一種生成式模型，它能夠?qū)W習(xí)高維、復(fù)雜的真實數(shù)據(jù)分布，即它不依賴于對真實數(shù)據(jù)分布的任何假設(shè)，可以簡單地從隱變量空間生成真實樣例[9]。如圖1 所示，GAN 由一個生成器和一個判別器組成，生成器接收隨機噪聲z并模擬真實數(shù)據(jù)x生成偽數(shù)據(jù)G(z)，判別器接收生成器生成的偽數(shù)據(jù)G(z)和真實數(shù)據(jù)x并判別其真?zhèn)?，生成器與判別器相互博弈，最終達到納什均衡。原始GAN 存在訓(xùn)練不穩(wěn)定，模型坍塌等問題，且過于自由的學(xué)習(xí)模式導(dǎo)致GAN的訓(xùn)練過程和結(jié)果都不可控[10]。為了提高GAN的穩(wěn)定性，解決GAN 生成結(jié)果過于自由不可控的問題，Mirza等[11]提出了條件生成對抗網(wǎng)絡(luò)，基本結(jié)構(gòu)如圖2所示。CGAN模型在GAN的基本結(jié)構(gòu)上加入了條件信息y，生成器接收隨機噪聲z和條件y，判別器接收真實數(shù)據(jù)x或生成器生成數(shù)據(jù)G(z|y)與條件y組成的數(shù)據(jù)對。CGAN的訓(xùn)練過程都在條件y的約束下進行，所以可以達到用條件y指導(dǎo)數(shù)據(jù)生成的目的。通常將數(shù)據(jù)的類別標簽作為條件y，這樣可以實現(xiàn)生成特定類別數(shù)據(jù)的效果。

圖1 GAN基本結(jié)構(gòu)

圖2 CGAN基本結(jié)構(gòu)

變分自編碼器（Variational Auto-Encoder，VAE）也是一種常見的深度生成模型，是Kingma等人[12]于2014年提出的基于變分貝葉斯推斷的生成式網(wǎng)絡(luò)模型。VAE的目標與GAN 一致，即構(gòu)建一個從隱變量生成目標數(shù)據(jù)的模型。不同的是，VAE假設(shè)了隱變量空間服從標準正態(tài)分布，而GAN 對隱變量空間不作任何假設(shè)。與GAN一樣，VAE同樣有眾多的改進衍生模型，其中與條件生成對抗網(wǎng)絡(luò)相似的是條件變分自編碼器（Conditional Variational Auto-Encoder，CVAE）[13]。CVAE 由一個編碼器和一個解碼器組成，其結(jié)構(gòu)如圖3所示。編碼器輸入條件信息和真實數(shù)據(jù)，輸出一個n維均值向量和一個n維方差向量，均值和方差兩兩組合即可得到n個正態(tài)分布，編碼器盡可能使所有正態(tài)分布趨近于標準正態(tài)分布。隱變量z是組合成的正態(tài)分布中的隨機采樣值，與條件信息一同輸入到解碼器中。解碼器輸出生成數(shù)據(jù)，并與真實數(shù)據(jù)對比，盡可能生成與真實數(shù)據(jù)類似的數(shù)據(jù)。因此，隨機取一個標準正態(tài)分布的采樣值，同指定的條件信息一起輸入到訓(xùn)練好的解碼器中，就能得到指定條件下的新的生成數(shù)據(jù)。

在生成圖像方面，VAE 生成的圖像比GAN 生成的圖像更模糊[14]，而且VAE 的泛化能力差[15]。因此，本文選取了生成樣本質(zhì)量更高、泛化能力更強的GAN 模型中的CGAN擴展惡意網(wǎng)頁樣本，同時在結(jié)構(gòu)上加以改進以提高生成樣本的質(zhì)量，并在實驗中與CVAE模型進行了對比。

作為一個具有“無限”生成能力的模型，GAN 的直接應(yīng)用就是建模，生成與真實數(shù)據(jù)分布一致的數(shù)據(jù)樣本[16]。Georgios等[17]使用條件生成對抗網(wǎng)絡(luò)來近似真實數(shù)據(jù)分布，生成器作為過采樣算法，生成數(shù)據(jù)量較少的那一類別數(shù)據(jù)，并通過實驗驗證了算法的有效性。Fiore等[18]將GAN應(yīng)用于信用卡欺詐行為數(shù)據(jù)的擴展中，實驗表明，在擴展集上訓(xùn)練的分類器性能優(yōu)于在原始數(shù)據(jù)上訓(xùn)練的分類器。袁辰等[19]提出了一種基于Ascall編碼方式定義域名的編/解碼器，并結(jié)合生成對抗網(wǎng)絡(luò)構(gòu)造域名字符生成器來預(yù)測生成DGA變體樣本的方法。實驗結(jié)果表明，在采用生成數(shù)據(jù)進行分類器訓(xùn)練和性能評估中，此方法生成的DGA 域名變體樣本可充當(dāng)真實DGA 樣本，驗證了生成數(shù)據(jù)的有效性并可用于DGA 域名檢測器的訓(xùn)練評估。曹啟云[20]針對樣本不足導(dǎo)致傳統(tǒng)分類器訓(xùn)練結(jié)果不理想的問題，提出使用生成對抗網(wǎng)絡(luò)生成樣本的方法，擴充訓(xùn)練數(shù)據(jù)集，使用生成器生成大量惡意JavaScript 代碼樣本。但是該方案在提取特征時，只取用了225個JavaScript的API函數(shù)，特征值均是二進制的0/1值，比較單一。

圖3 CVAE基本結(jié)構(gòu)

相對于傳統(tǒng)方法，生成對抗網(wǎng)絡(luò)主要優(yōu)點在于能夠?qū)W(xué)習(xí)從無監(jiān)督學(xué)習(xí)轉(zhuǎn)化為監(jiān)督學(xué)習(xí)，使得其在無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)領(lǐng)域可以發(fā)揮更大的作用。通常當(dāng)缺乏足夠的訓(xùn)練數(shù)據(jù)時，生成對抗網(wǎng)絡(luò)可以學(xué)習(xí)真實數(shù)據(jù)分布，模擬生成數(shù)據(jù)，從而增大訓(xùn)練數(shù)據(jù)的數(shù)量。惡意網(wǎng)頁識別任務(wù)中，常常需要大量人工標注的網(wǎng)頁樣本數(shù)據(jù)，而惡意網(wǎng)頁樣本數(shù)據(jù)收集困難，且樣本標注工作量大。因而，研究基于生成對抗網(wǎng)絡(luò)擴展樣本集，對基于機器學(xué)習(xí)的惡意網(wǎng)頁識別技術(shù)具有重要意義。

2 惡意網(wǎng)頁訓(xùn)練數(shù)據(jù)擴展模型

2.1 網(wǎng)頁樣本表示

基于機器學(xué)習(xí)的惡意網(wǎng)頁識別方法中，需要通過特征提取、特征處理等將網(wǎng)頁樣本集轉(zhuǎn)換為特征向量集。目前研究中心，常用的靜態(tài)網(wǎng)頁特征一般可分為主機信息、URL 特征和網(wǎng)頁內(nèi)容三類[21]。主機信息主要包括WHOIS 信息和DNS 信息，其特征數(shù)量較少且抽取難度較大。URL 特征主要是分析URL 文本特征，其特征數(shù)量也較少，但是提取過程較為簡單快捷。網(wǎng)頁內(nèi)容特征較多，又可細分為HTML 特征和JavaScript 特征等。由于主機信息和URL 特征相近，本文將其合并為一類特征，稱為主機和URL信息，HTML特征和JavaScript特征各單獨作為一類特征。

在惡意網(wǎng)頁識別中，WHOIS 信息和DNS 信息被使用的特征一般有域名注冊日期、域名有效期、域名服務(wù)器信息等。本文從中整理了如下4個特征：域名注冊時長、域名有效期、DNS服務(wù)器數(shù)量以及重定向次數(shù)。域名注冊時長指的是域名注冊日期至今（本文取2019年6月20日）的天數(shù)，域名有效期指的是域名的注冊日期至域名過期日期的天數(shù)。

URL 特征主要是基于URL 的文本特征，如URL 長度、點的個數(shù)和特殊字符數(shù)量等。惡意網(wǎng)頁URL 通常較長，而且包含一些隨機字符串，所以惡意網(wǎng)頁URL在文本上與良性網(wǎng)頁存在一定的差異。本文從中提取了以下6 個特征：URL 長度、特殊字符數(shù)量、點的數(shù)量、數(shù)字的數(shù)量、路徑深度和是否包含IP地址。其中是否包含IP地址是一個二值特征，包含IP地址時為1，否則為0。

常用的HTML 特征一般包括HTML 的長度、詞匯的個數(shù)以及標簽屬性等。本文從中提取了隱藏標簽數(shù)量、＜iframe＞標簽數(shù)量、HTML長度、URL出現(xiàn)次數(shù)等12個特征。對于隱藏標簽數(shù)量的統(tǒng)計，主要考察標簽的size 屬性（包括width 屬性和height 屬性）、hidden 屬性、display屬性以及visible屬性。

在HTML中寫入JavaScript等腳本語言是惡意網(wǎng)頁攻擊中常見的一種技術(shù)，這樣可以在未經(jīng)用戶允許或操作的前提下便可執(zhí)行某些操作。JavaScript特征主要是統(tǒng)計一些高危函數(shù)或額外嵌入的可執(zhí)行文件等信息。本文從中提取了函數(shù)eval 調(diào)用次數(shù)、長字符串?dāng)?shù)量（長度大于30）、JavaScript 代碼長度、可疑文件出現(xiàn)次數(shù)等26個特征?？梢晌募饕?exe、.ini、.dll等后綴文件。

綜上，本文將網(wǎng)頁特征分為了主機和URL 信息、HTML特征和JavaScript特征三類，并從中提取了共48個特征。對所有樣本進行特征提取后，對每個特征的特征值進行歸一化處理，將特征值縮放至區(qū)間[0，1]。本文使用線性歸一化處理，具體如公式（1）所示：

其中x表示原特征值，x′表示轉(zhuǎn)換后的特征值，max 和min 分別表示所有樣本中該特征值得最大值和最小值。

經(jīng)過歸一化處理后，所有網(wǎng)頁樣本均表示為一個48 維的特征向量f=[hu1,hu2,…,hu10,hl1,hl2,…,hl12,js1,js2,…,js26]T。本文后續(xù)訓(xùn)練惡意網(wǎng)頁分類器以及生成對抗網(wǎng)絡(luò)所使用的網(wǎng)頁樣本，均為其經(jīng)過上述特征提取轉(zhuǎn)換后的特征向量，并稱之為網(wǎng)頁特征樣本。

2.2 WS-GAN模型

目前，GAN在圖像領(lǐng)域取得了較好的成績，并開始廣泛應(yīng)用于其他領(lǐng)域。本文將GAN應(yīng)用于網(wǎng)頁特征樣本的生成，與其傳統(tǒng)應(yīng)用領(lǐng)域差異較大。因此，為使GAN適用于網(wǎng)頁特征樣本的生成，并取得較好的效果，本文設(shè)計實現(xiàn)了一種專用于網(wǎng)頁特征樣本生成的生成對抗網(wǎng)絡(luò)（Web Samples GAN，WS-GAN）。WS-GAN以CGAN 網(wǎng)絡(luò)為基礎(chǔ)，將網(wǎng)頁樣本的類別標簽（良性或惡意）作為條件，以達到生成良性和惡意兩類網(wǎng)頁特征樣本的目的。同時，為了提升生成樣本的質(zhì)量，本文保留原有判別器作為全局判別器，并為網(wǎng)頁特征樣本中的三類特征數(shù)據(jù)（主機和URL信息、HTML特征和JavaScript特征）分別設(shè)計了對應(yīng)的特征判別器。因此，WS-GAN中包含一個生成器、一個全局判別器和三個特征判別器，基本結(jié)構(gòu)如圖4所示。

其中，生成器G輸入隨機噪聲z和類別標簽c，輸出偽網(wǎng)頁特征樣本G(z|c)。與原始CGAN模型一致，各判別器輸入均是真實數(shù)據(jù)或生成數(shù)據(jù)與其對應(yīng)標簽組成的數(shù)據(jù)對。不同的是，全局判別器輸入的是完整的真實樣本數(shù)據(jù)或完整的生成數(shù)據(jù)，而各特征判別器輸入的是真實樣本數(shù)據(jù)或生成數(shù)據(jù)經(jīng)過樣本分割后提取的對應(yīng)特征類別部分的數(shù)據(jù)。具體來說，全局判別器判別完整數(shù)據(jù)的真?zhèn)?，控制生成樣本整體的質(zhì)量；特征判別器Df1判別輸入數(shù)據(jù)的主機和URL信息特征數(shù)據(jù)的真?zhèn)?，Df2判別輸入數(shù)據(jù)的HTML 特征數(shù)據(jù)的真?zhèn)?，Df3判別輸入數(shù)據(jù)的JavaScript 特征數(shù)據(jù)的真?zhèn)?，控制的是生成樣本各局部特征細?jié)的質(zhì)量。

圖4 WS-GAN基本結(jié)構(gòu)

GAN 中使用的損失函數(shù)有多種，除了原始GAN 中使用的交叉熵損失，還有LSGAN 中的最小二乘損失以及WGAN中的Wasserstein距離損失。文獻[22]中，作者通過實驗得出以下結(jié)論：最小二乘損失學(xué)習(xí)樣本總體信息更好，交叉熵損失學(xué)習(xí)樣本局部細節(jié)更優(yōu)。因此，WS-GAN中全局判別器使用最小二乘損失，三個特征判別器均使用交叉熵損失，其損失函數(shù)分別如公式（2）和公式（3）所示。WS-GAN的總損失函數(shù)如公式（4）所示，為上述各判別器損失函數(shù)的加權(quán)和。

其中，x表示真實樣本數(shù)據(jù)，p(x)表示真實樣本數(shù)據(jù)分布，z表示噪聲數(shù)據(jù)，p(z)表示噪聲數(shù)據(jù)分布，c表示樣本標簽，xi(i=1,2,3)表示真實樣本對應(yīng)的第i類特征數(shù)據(jù)，yi(i=1,2,3)表示生成的偽數(shù)據(jù)G(z|c)對應(yīng)的第i類特征數(shù)據(jù)，α,β1,β2,β3為各判別器損失函數(shù)的權(quán)值，并且滿足α+β1+β2+β3=1。

本文提出的WS-GAN 模型，采用了CGAN 網(wǎng)絡(luò)的基本結(jié)構(gòu)，使用網(wǎng)頁樣本的類別標簽作為條件信息，以此實現(xiàn)生成良性和惡意兩類網(wǎng)頁特征樣本的功能。同時，WS-GAN 加入了多個判別器，根據(jù)網(wǎng)頁樣本的每類特征類型設(shè)計不同的局部特征判別器，保留了原判別器作為樣本整體的全局判別器，并分別選取設(shè)計了合適的損失函數(shù)，以此提高生成網(wǎng)頁樣本的質(zhì)量。

2.3 生成器與判別器網(wǎng)絡(luò)結(jié)構(gòu)

本文WS-GAN模型中包含一個生成器和四個判別器，均采用經(jīng)典的全連接網(wǎng)絡(luò)結(jié)構(gòu)。生成器由四層神經(jīng)網(wǎng)絡(luò)組成，包括輸入層，兩個隱含層和輸出層，如圖5所示。每一層包含全連接層、激活層以及dropout層，輸出層沒有dropout層。生成器輸入層共121個節(jié)點（120維的隨機噪聲加上1 維的類別標簽），兩個隱含層分別包含100和64個節(jié)點，網(wǎng)頁樣本為48維特征向量，所以最后輸出層共48 個節(jié)點。輸入層和兩個隱含層采用Leaky Relu 激活函數(shù)，輸出層采用Sigmoid 激活函數(shù)。全局判別器與生成器結(jié)構(gòu)一致，四層全連接結(jié)構(gòu)，而三個特征判別器與生成器結(jié)構(gòu)相似，三層全連接結(jié)構(gòu)，去掉了一層隱含層，其具體結(jié)構(gòu)如表1所示。

圖5 生成器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 實驗分析

3.1 數(shù)據(jù)集與實驗環(huán)境

本文從2017 年中國網(wǎng)絡(luò)安全技術(shù)對抗賽《惡意網(wǎng)頁分析》賽題的樣本數(shù)據(jù)集[23]以及Malicious Web Site Labs的host屏蔽文件中選取了6 000個良性網(wǎng)頁與5 500個惡意網(wǎng)頁進行特征提取，將轉(zhuǎn)換后的特征向量集作為實驗原始數(shù)據(jù)集。本文所有實驗選取數(shù)據(jù)集均為均衡樣本集，如不做特殊說明，默認數(shù)據(jù)集中良性網(wǎng)頁和惡意網(wǎng)頁數(shù)量一致。本文中的實驗環(huán)境詳細信息如表2所示。

表1 生成器和判別器網(wǎng)絡(luò)結(jié)構(gòu)

表2 實驗環(huán)境

3.2 WS-GAN訓(xùn)練

本文從原始數(shù)據(jù)集中選取了2 000個網(wǎng)頁特征樣本對WS-GAN進行訓(xùn)練。其中batch_size設(shè)置為50，學(xué)習(xí)率設(shè)置為0.000 2，α設(shè)置為0.4，β1、β2、β3均設(shè)置為0.2，使用Adam優(yōu)化器，最終全局判別器損失與生成器損失變化曲線分別如圖6（a）和圖6（b）所示。從圖中可以看出，生成器和判別器損失一增一減，體現(xiàn)了生成器和判別器對抗的特性。同時，全局判別器損失在訓(xùn)練次數(shù)6 000次左右開始收斂，生成器損失在訓(xùn)練次數(shù)5 500次左右開始收斂。

3.3 WS-GAN生成樣本質(zhì)量分析

為驗證本文WS-GAN 生成網(wǎng)頁樣本的有效性，本文進行了兩組對比實驗。實驗中主要涉及四種數(shù)據(jù)集：原始數(shù)據(jù)集RDS、WS-GAN 生成樣本數(shù)據(jù)集WDS、CGAN 生成樣本數(shù)據(jù)集CDS 以及CVAE 生成樣本數(shù)據(jù)集VDS。實驗中將WDS與RDS對比，分析WS-GAN生成樣本與原始真實樣本的差距；將WDS 與CDS、VDS對比，分析WS-GAN中改進結(jié)構(gòu)的有效性。

圖6 損失曲線

實驗1WS-GAN生成樣本有效性驗證實驗。從原始數(shù)據(jù)集隨機選取100正常網(wǎng)頁和100惡意網(wǎng)頁樣本作為測試樣本集。分別使用RDS、WDS、CDS 和VDS（size=1 000）作為訓(xùn)練數(shù)據(jù)集訓(xùn)練分類器，在測試樣本集上對比各分類器的準確率、正確率、召回率以及F1值，每組測試10次取平均值，其實驗結(jié)果如表3所示。

表3 生成樣本性能對比 %

從表3 可知，在常見的幾種分類器上，使用原始數(shù)據(jù)集訓(xùn)練的分類器與使用本文WS-GAN生成樣本訓(xùn)練的分類器，在識別惡意網(wǎng)頁的性能上基本持平，準確率與正確率方面原始數(shù)據(jù)集訓(xùn)練的分類器表現(xiàn)更好，但在召回率方面，WS-GAN 生成樣本訓(xùn)練的分類器表現(xiàn)更佳。這表明，WS-GAN 添加的局部特征判別器，提高了生成的惡意網(wǎng)頁樣本的質(zhì)量，使得惡意網(wǎng)頁的檢出率得到提高。同時，與CDS訓(xùn)練的分類器相比，WDS訓(xùn)練的分類器各項性能指標均高于前者1%至5%左右。這也表明，WS-GAN 基于CGAN 的改進有效并且生成的網(wǎng)頁樣本質(zhì)量有所提高。另外，VDS訓(xùn)練的分類器表現(xiàn)不佳，各項指標平均在80%至83%左右，與前三者訓(xùn)練的分類器性能差距較大。主要原因在于：CVAE生成圖像時一般比較模糊，即CVAE生成樣本在各像素點上精度不高，而本文將網(wǎng)頁樣本轉(zhuǎn)換成特征向量，每一個特征相當(dāng)于圖像的一個像素點，所以CVAE生成的網(wǎng)頁樣本質(zhì)量不高；CVAE 生成樣本的多樣性較差，訓(xùn)練樣本的多樣性也是影響分類器性能的關(guān)鍵。

圖7 各分類器準確率變化趨勢

實驗2擴展樣本性能對比實驗。選取相同的1 000個原始樣本集，在其基礎(chǔ)上分別加入原始樣本（RDS）、WS-GAN 生成樣本（WDS）、CGAN 生成樣本（CDS）以及CVAE 生成樣本（VDS），加入的擴展樣本數(shù)量從0 遞增至5 000，觀察各分類器準確率的變化情況，實驗結(jié)果如圖7所示。

從圖7 可知，使用原始樣本、WS-GAN 生成樣本以及CGAN 生成樣本擴展的訓(xùn)練集訓(xùn)練的各分類器準確率均隨著擴展樣本的數(shù)量增加而上升，只有使用CVAE生成樣本擴展訓(xùn)練的分類器準確率呈下降趨勢。這表明，CVAE 生成的網(wǎng)頁特征樣本質(zhì)量較差，與原始樣本差異較大，影響了分類器的識別效果。從準確率的收斂速度來看，擴展樣本數(shù)從0 增加至2 000 階段準確率上升趨勢較快，K-近鄰、決策樹和支持向量機三者均在擴展樣本數(shù)4 000至5 000階段開始收斂，而邏輯回歸分類器上的準確率從2 000 開始就呈現(xiàn)收斂的趨勢。從RDS、WDS和CDS三者的對比來看，前二者曲線幾乎重合，二者差距不超過1%，而CDS對應(yīng)的曲線與前二者差距較大，也更早呈現(xiàn)收斂趨勢。分類器準確率的變化不僅與分類器本身性質(zhì)有關(guān)，也與訓(xùn)練集的多樣性有關(guān)，樣本集多樣性越低，增大訓(xùn)練樣本數(shù)量對分類器性能影響越小。因此，本文WS-GAN 生成樣本與原始樣本差異較小，在樣本質(zhì)量與多樣性上均優(yōu)于CGAN生成樣本。

此外，實驗選取了各類生成樣本擴展的訓(xùn)練集在支持向量機上進行了詳細的對比，原始訓(xùn)練集大小為1 000，擴展樣本集大小為3 000，詳細對比結(jié)果如圖8所示。在準確率與F1 值上，RDS 比WDS 擴展樣本略高約0.3%，并且高于CDS 與VDS。在召回率上，與實驗1 結(jié)果一致，使用WDS 擴展訓(xùn)練的分類器在召回率方面較其余三者表現(xiàn)更優(yōu)。總體來說，使用RDS和WDS擴展樣本訓(xùn)練的分類器表現(xiàn)差異不大，WDS 在召回率上表現(xiàn)突出，CDS擴展樣本訓(xùn)練的分類器各參數(shù)值平均低于前二者3%左右，而VDS擴展樣本訓(xùn)練的分類器各參數(shù)值平均低于前二者12%左右，與前三者差距均較大。

圖8 擴展樣本性能對比

綜合上述實驗可知，本文提出的WS-GAN 生成的樣本與真實樣本之間差異不大，可用于擴展訓(xùn)練網(wǎng)頁分類器的訓(xùn)練數(shù)據(jù)集，也可直接作為訓(xùn)練惡意網(wǎng)頁分類器的訓(xùn)練數(shù)據(jù)。并且在用于生成惡意網(wǎng)頁樣本訓(xùn)練數(shù)據(jù)中，本文提出的WS-GAN在加入多判別器后，生成樣本的質(zhì)量與多樣性比CGAN生成樣本均有所提高。同時，CVAE 由于其生成圖像模糊、生成樣本多樣性差等缺陷，在直接用于生成網(wǎng)頁特征樣本中表現(xiàn)不佳。

4 結(jié)束語

本文將圖像處理領(lǐng)域中的生成對抗網(wǎng)絡(luò)創(chuàng)新地應(yīng)用于擴展惡意網(wǎng)頁訓(xùn)練數(shù)據(jù)，試圖解決惡意網(wǎng)頁樣本量不足的問題，并通過實驗驗證了方案的可行性。將惡意網(wǎng)頁特征分成主機和URL信息、HTML特征和JavaScript特征三類，從中分析整理了48 個特征，通過特征提取、特征處理將網(wǎng)頁樣本表示為對應(yīng)的網(wǎng)頁特征樣本。本文提出的WS-GAN 以CGAN 為基礎(chǔ)，在其原始結(jié)構(gòu)中加入了三個特征判別器用于學(xué)習(xí)對應(yīng)每個類別特征數(shù)據(jù)的細節(jié)信息，保留原有判別器作為全局判別器用于學(xué)習(xí)數(shù)據(jù)的整體語義信息，以此提升生成樣本數(shù)據(jù)的質(zhì)量。實驗表明，使用本文改進的WS-GAN 生成的網(wǎng)頁特征樣本直接訓(xùn)練惡意網(wǎng)頁分類器或是擴展網(wǎng)頁樣本集訓(xùn)練惡意網(wǎng)頁分類器時，其性能與使用等量的真實樣本訓(xùn)練的分類器性能基本一致，并且優(yōu)于使用CGAN生成樣本訓(xùn)練的分類器性能。在評價指標上，本文改進的WS-GAN 網(wǎng)絡(luò)生成的網(wǎng)頁樣本用于直接訓(xùn)練惡意網(wǎng)頁分類器時，比使用CGAN 網(wǎng)絡(luò)提高了1%至5%左右；用于擴展惡意網(wǎng)頁樣本訓(xùn)練分類器時，比使用CGAN網(wǎng)絡(luò)提高了1%至3%左右。并且，得益于局部特征判別器在控制生成樣本局部特征信息方便的成效，在使用WSGAN 生成樣本訓(xùn)練分類器時，其識別惡意網(wǎng)頁的召回率表現(xiàn)優(yōu)于原始樣本集訓(xùn)練的分類器。