近年来,网络安全攻击行为变得越来越频繁。其中,恶意URL在网络攻击中扮演着重要的角色,如钓鱼网站、身份盗窃、金融诈骗、恶意软件、垃圾邮件等。如何有效地检测恶意URL,成为防范不断增加的网络攻击的关键问题。传统的恶意URL检测方法由于需要大量的特征识别工作,已经无法跟上恶意URL的快速增长速度。利用深度学习技术构建可泛化的模型以实现对URL的识别与分类,已经成为URL检测领域的研究问题。本课题的主要研究内容如下:1.提出了一种新的基于URL成像技术的恶意URL识别模型。该模型首先采用了格拉姆角场图形编码方法将一维URL词向量转换为二维图像,利用转换后的二维图像挖掘出更多的URL内在特征以提高分类准确率。然后,设计了一个URL二分类模型Binary-Inception CNN,利用卷积神经网络可以对输入的GAF图像并发执行多个卷积和池化操作,并通过多个大小不同的卷积核来增强网络的适应性,从而提取到更丰富的多尺度的图像特征,且拥有更低的计算成本。最后,在一个大型URL数据集上进行了一系列的实验,实验结果表明该模型在多个指标上均优于现在主流的恶意URL识别方法。2.提出了一种新的基于生成对抗网络的URL生成与识别模型。为了解决真实网络环境中不同种类URL的数量不平衡问题,该模型首先设计了一种编码器,将URL进行字符编码。然后通过使用少量的同类URL样本数据,为每一类URL训练一个GAN网络,用以生成接近真实样本的大量合成URL。最后,提出了一个URL多分类模型Multi-Inception CNN,实现了对不同种类的URL进行自动分类的任务。通过对原始URL和生成URL进行的相似度分析,该模型中的GAN网络能够生成接近真实样本的合成URL数据,同时大量的实验结果也表明该模型能够在少样本数据的情况下获得较好的URL多分类效果。3.设计并实现了一个恶意URL检测原型URLGuard,该原型集成了BinaryInception CNN、GAN网络和Multi-Inception CNN三个核心模型,实现了恶意URL检测、不同种类URL生成和URL多分类等功能。本课题通过对原型进行的功能与性能测试,验证了URLGuard原型具有较好的可用性和健壮性。