基于C N N 的新型詐騙網(wǎng)站識別系統(tǒng)開發(fā)

魯國良，袁鐵山

（中國移動通信集團浙江有限公司紹興分公司，浙江 紹興 312000）

概述

網(wǎng)絡(luò)詐騙愈來愈成為當前社會發(fā)展問題中亟待解決的問題。這種詐騙形式具有成本低、難追蹤、隱蔽性強等特點。新形勢下的網(wǎng)絡(luò)詐騙常常利用存活周期為3～5 d 的網(wǎng)站，通過反復(fù)更換域名來實施詐騙。此類網(wǎng)站在頁面上十分雷同，人眼很容易分辨。但是由于缺少詐騙網(wǎng)站相關(guān)的數(shù)據(jù)集，學術(shù)界和工業(yè)界對此類問題都研究得比較少[1]。本文利用某運營商開發(fā)的RPA 工具獲取的詐騙網(wǎng)站首頁的高清照片，開發(fā)卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network ）模型可以學習不同區(qū)域圖像的深度特征，并通過web 技術(shù)提交網(wǎng)址后獲取訪問用戶特征的專家知識并轉(zhuǎn)化為SVM 特征。模型結(jié)合上述兩種特征識別網(wǎng)站是否涉詐。最后通過Pandas 庫以Excel 形式輸出判別結(jié)果。

1 技術(shù)及理論基礎(chǔ)

1.1 pytorch 框架

自2012 年由Hinton 提出的VGG16 模型在ImageNet 比賽上以絕對優(yōu)勢奪冠后，深度學習社區(qū)迎來了一波實踐工具的爆發(fā)式增長。Pytorc 易于學習，API 簡潔和易于理解，Pytorch 還支持分布式數(shù)據(jù)并行計算，此項功能可以大大縮短模型訓練時間。基于以上原因本文選擇基于Pytorch 進行研究[2]。

1.2 SVM 特征映射

支持向量機（Support Vector Machine，SVM）可以通過核技巧將線性不可分的樣本映射到特征空間中去，以盡可能大的間隔來區(qū)分樣本。相較于原始數(shù)據(jù)空間中的樣本，特征空間中的數(shù)據(jù)更具有線性可分性，更便于分類器進行分類任務(wù)。同時，映射后的特征具有更好的稀疏性。

1.3 ResNet 圖像特征提取

卷積神經(jīng)網(wǎng)絡(luò)按照功能主要可以分為兩個模塊——即圖像特征提取模塊和分類器模塊。本文用于提取圖像特征的網(wǎng)絡(luò)為ResNet[3]。它以獨特的殘差結(jié)構(gòu)而得名，見圖1，左側(cè)為淺層網(wǎng)絡(luò)殘差學習單元，右側(cè)為深層網(wǎng)絡(luò)殘差學習單元。殘差學習單元分為短路結(jié) 構(gòu)（shortcut connection） 和 殘 差 結(jié) 構(gòu)（residual mapping）。經(jīng)過這種結(jié)構(gòu)的設(shè)計，解決了深層網(wǎng)絡(luò)存在的性能下降問題，使得特征提取能力大幅提升。

圖1 ResNet 殘差結(jié)構(gòu)

1.4 RPA 技術(shù)

RPA(Robotic Process Automation)即流程自動化機器人技術(shù),代替機械式、高重復(fù)、低價值、大批量的日常操作的目的[4]。在本文的任務(wù)中由于需要通過網(wǎng)址獲取首頁圖像，通過引入RPA 工具，模擬人類瀏覽網(wǎng)頁的動作獲取圖像相對而言是一種省時省力的方法。

2 系統(tǒng)架構(gòu)及處理流程

本文實現(xiàn)的系統(tǒng)總體分文三個步驟。第一步通過待檢測的網(wǎng)站網(wǎng)址獲取首頁圖像并利用OpenCV 獲得指定區(qū)域的圖像[5]，同時通過大數(shù)據(jù)技術(shù)獲取對應(yīng)的網(wǎng)站日流量數(shù)據(jù)，再將這些數(shù)據(jù)轉(zhuǎn)化為SVM 特征。第二步輸入圖像及相應(yīng)的SVM 特征，模型利用這些特征對網(wǎng)站是否為詐騙網(wǎng)站進行識別。第三步通過Pandas 庫將判別結(jié)果以Excel 的形式輸出。總體流程，見圖2。

圖2 總體流程

3 數(shù)據(jù)準備

深度學習模型成功的一大因素是高性能計算的進步，另一大因素就是海量的數(shù)據(jù)。因此，充足的數(shù)據(jù)準備是模型獲得良好的性能的必要前提。

3.1 數(shù)據(jù)集構(gòu)成

本文利用已知的5 000 多個已涉詐網(wǎng)站作為正樣本，獲取到其對應(yīng)的網(wǎng)站首頁圖像及日訪問人次、日訪問用戶縣市分布等流量數(shù)據(jù)（通過紹興移動大數(shù)據(jù)資產(chǎn)獲取），同時選取3 000 多個白名單中的網(wǎng)站作為負樣本。訓練集與測試集按照8：2 的比例進行切分。其中詐騙網(wǎng)站圖像被切割為五個區(qū)域，即左上角、右上角、左下角、右下角、中間。這樣可以使模型關(guān)注特定區(qū)域的特征而又不損失信息。每一個樣本以〈首頁五個區(qū)域圖像，SVM 特征，樣本標簽〉 的形式存在。

3.2 ResNet 輸入圖像處理

在將圖像數(shù)據(jù)輸入模型前，需要對其尺寸進行處理，以適應(yīng)模型需要的尺寸。在本研究使用的ResNet模型中要求的輸入圖像尺寸為224×224×3，即輸入的圖像水平分辨率、垂直分辨率為224 個像素，輸入的通道數(shù)為R、G、B 這3 個通道。這一步可以通過Pytorch 框架自帶的torchvision 庫來實現(xiàn)，借助transforms.Resize()函數(shù)可以在不改變圖像內(nèi)容的情況下，改變其分辨率。過程圖，見圖3。

圖3 圖像尺寸變換過程

3.3 SVM 特征處理

專家知識通過某運營商大數(shù)據(jù)技術(shù)獲取。本文利用Hive 數(shù)據(jù)倉庫，通過編寫HQL 獲得原始數(shù)據(jù)。由于在Hive 平臺存儲的數(shù)據(jù)量很大，查詢較慢，所以高性能的HQL 以及高效地執(zhí)行是整個系統(tǒng)運行效率的關(guān)鍵。本文通過設(shè)置hive.exec.parallel=true 及設(shè)置hive.exec.parallel.thread.number=16 來提高HQL 執(zhí)行的并行能力，通過設(shè)置開啟jvm 重用來提升HQL 在短時任務(wù)場景下的速度。同時考慮到本文的輸入?yún)?shù)只有字符串形式的網(wǎng)址，數(shù)據(jù)量極小，在這種情況下，為查詢觸發(fā)執(zhí)行任務(wù)的時間消耗可能會比實際job 的執(zhí)行時間要多的多。本文通過設(shè)置hive.exec.mode.local.auto=true 來開啟本地模式，避免集群運算。詳細數(shù)據(jù)獲取流程，見圖4。

圖4 網(wǎng)址流量結(jié)果獲取流程

在SVM 模型中有表示特征重要性的參數(shù)coef_。該參數(shù)在二分類任務(wù)里為1×n 的向量。在經(jīng)過訓練之后，將訓練集和測試集總共8 000 多個樣本的專家知識部分的特征與特征重要性參數(shù)coef_進行點乘操作，從而將原始空間的數(shù)據(jù)映射到特征空間，以提高特征的可用性。經(jīng)過點乘操作后的數(shù)據(jù)尺寸形狀不變。變換過程，見圖5。

圖5 SVM 特征

4 模型實現(xiàn)及結(jié)果分析

4.1 卷積神經(jīng)網(wǎng)絡(luò)搭建以及訓練

由于圖像內(nèi)容較為簡單，同時需要做的分類任務(wù)也較為簡單，即為二分類任務(wù)。因此，在選取圖像特征抽取網(wǎng)絡(luò)時，本文選擇較為淺的resnet18 模型。resnet18 模型最后經(jīng)過全局下采樣層后，輸出的特征向量為512 維。選取resnet18 的輸入層到全局池化層為圖像特征抽取模塊，其中包含一個最大值池化層、一個全局平均池化層和20 個卷積層。由于輸入的圖像數(shù)據(jù)共有5 張，因此需要設(shè)計五條通路來分別提取器特征。最終將5 條通路的特征進行加和操作，與SVM 特征進行拼接操作，然后經(jīng)過一層全連接層將特征維度轉(zhuǎn)換為2 維，對應(yīng)需要進行分類的“是”與“否”。最終接一層SoftMax 層平滑特征，取較大的值作為判別結(jié)果。模型結(jié)構(gòu)，見圖6。

圖6 模型結(jié)構(gòu)圖

其中，exrta(*)表示圖像特征抽取函數(shù)，concat(*)表示特征拼接函數(shù)，L 表示損失函數(shù)。

在模型訓練時，需要設(shè)定訓練的輪數(shù)、每次訓練的樣本大、學習率以及優(yōu)化器。本研究中將樣本大小設(shè)定為64，學習輪數(shù)設(shè)定為128 輪，即在128 輪的訓練中，每次將64 個樣本輸入網(wǎng)絡(luò)進行訓練。初始學習率設(shè)定為0.001，優(yōu)化器選擇AdamOptimizer 進行參數(shù)的一階梯度優(yōu)化更新。Ada 算法是一種有效的隨機優(yōu)化方法，它只需要一階的梯度，并且只需要很小的內(nèi)存。該方法通過第一，第二梯度的估計，計算不同參數(shù)的自適應(yīng)學習速率。

4.2 實驗分析

在圖像特征結(jié)合的時候，其實有比較多的選擇，例如可以將各組特征按照最大值、最小值、拼接、加和、點乘等方式。首先可以從理論上排除點乘的方式，這種方式由于0 值的存在，最終的特征會變得及其稀疏，無法用于模型學習，而其他四種方式則需要以具體實驗結(jié)果為依據(jù)進行判斷。圖7 中結(jié)合方式的模型測試機準確率結(jié)果，從結(jié)果可以看出，加和方式相較于其他三種方式，結(jié)果最優(yōu)，達到了78%的準確率。這是由于加和的方式既照顧到了SVM 特征的表達，也照顧到了圖像特征之間的充分表達。直接拼接的方式由于拼接后圖像特征明顯多于SVM 特征，使得后者對于分類的貢獻被掩蓋了。而最值方式在極端情況下會有可能只利用到一個區(qū)域的特征。因此本文最終選擇使用加和的方式來結(jié)合各個區(qū)域之間的特征。

圖7 模型準確率

5 總結(jié)及展望

本文研究了基于深度學習的詐騙網(wǎng)站識別技術(shù)，提出可以基于網(wǎng)站首頁的圖像特征加介于專家知識的SVM 特征進行識別，模型最終達到了令人滿意的性能。通過對詐騙網(wǎng)站的識別研究，及時發(fā)現(xiàn)并阻斷對詐騙網(wǎng)站的訪問行為，降低電信網(wǎng)絡(luò)詐騙案發(fā)率。

但是本文也存在著以下不足：（1） 引入RPA 工具，制約系統(tǒng)并行處理能力；（2） 特征結(jié)合方式粗暴，即以直接拼接的方式處理不同特征，限制特征表達能力。

在后續(xù)的研究開發(fā)中，針對第一點不足，可以考慮引入云計算技術(shù)，云化RPA，充分利用云計算提供的SaaS 能力，解決硬件資源瓶頸，提高系統(tǒng)的并行處理能力；針對第二點不足，可以考慮借助多模態(tài)識別技術(shù)，實現(xiàn)特征的跨模態(tài)學習，提高特征表達能力。