A metaheuristic feature selection model using bat optimization for malicious URL attack detection

doi:10.1038/s41598-026-51981-2

A metaheuristic feature selection model using bat optimization for malicious URL attack detection

2026-05-06

0

OA

AI

Khaled Mohammad Alomari

S

Said A. Salloum

DOI：10.1038/s41598-026-51981-2

原文链接

查看原文

摘要

En 中文

恶意URL已成为网络安全的持续威胁，因为黑客不断创建钓鱼、恶意软件、垃圾邮件和篡改链接，这些链接模仿真实网页布局并绕过静态安全措施。尽管机器学习（ML）和深度学习（DL）模型在URL分类中取得了非常令人鼓舞的结果，但这些模型的有效性通常受到高维特征空间中冗余和不相关特征的限制，这导致计算成本增加和潜在的泛化能力降低。为应对此问题，本研究提出了一种基于封装的蝙蝠算法（BA）特征选择模型，用于确定检测恶意URL时的小而具有判别性的特征子集。受生物启发的元启发式BA算法在高维优化问题中提供了良好的探索与利用平衡，因此在特征子集选择中具有优势。所提出的BA模型在两种数据集——多类ISCX-URL-2016数据集和更新的URL Phishing（2026）数据集上，与集成ML（XGBoost、AdaBoost、梯度提升、CatBoost和LightGBM）和DL（CNN、RNN、LSTM和CNN-LSTM）架构进行了测试。实验结果表明，BA实现了显著的降维：在ISCX-URL-2016数据集中，篡改类特征空间减少了51.90%，恶意软件类减少了67.09%，钓鱼类减少了49.37%，垃圾邮件类减少了59.49%；在URL Phishing（2026）数据集中，钓鱼类减少了45.91%。尽管进行了降维，BA在两个数据集的分类中均表现出一致的改进。BA增强的LightGBM在所有测试模型中取得了最佳整体结果，在ISCX-URL-2016数据集上的准确率为99.92%，在URL Phishing（2026）数据集上的准确率为98.17%，并具有高ROC-AUC值和良好的计算效率。统计分析也证实所观察到的改进具有统计学意义。总之，所提出的基于BA的特征选择模型是恶意URL检测智能的高效、可扩展和可靠解决方案，具有良好的实际网络安全系统实施可能性。

Keyword:

malicious URL detection

feature selection

bat algorithm

machine learning

deep learning

A metaheuristic feature selection model using bat optimization for malicious URL attack detection

摘要

AI总结

期刊

机构

引用论文