Identifying malicious web sites has

Identifying malicious web sites has become a major chal-
lenge in today's Internet. Previous work focused on detecting
if a web site is malicious by dynamically executing JavaScript
in instrumented environments or by rendering web sites in
client honeypots. Both techniques bear a signicant evaluation
overhead, since the analysis can take up to tens of seconds or
even minutes per sample.
In this paper, we introduce a novel, purely static analy-
sis approach, the
-system, that (i) extracts change-related
features between two versions of the same website, (ii) uses
a machine-learning algorithm to derive a model of web site
changes, (iii) detects if a change was malicious or benign, (iv)
identies the underlying infection vector campaign based on
clustering, and (iv) generates an identifying signature.
We demonstrate the eectiveness of the
-system by eval-
uating it on a dataset of over 26 million pairs of web sites by
running next to a web crawler for a period of four months. Over
this time span, the
-system successfully identied previously
unknown infection campaigns. Including a campaign that
targeted installations of the Discuz!X Internet forum software
by injecting infection vectors into these forums and redirecting
forum readers to an installation of the Cool Exploit Kit.

ผลลัพธ์ (ไทย) 2:

ระบุเว็บไซต์ที่เป็นอันตรายได้กลายเป็นท้าทายที่สำคัญ
lenge ในอินเทอร์เน็ตในปัจจุบัน การทำงานก่อนหน้านี้มุ่งเน้นไปที่การตรวจสอบ
ถ้าเว็บไซต์เป็นที่เป็นอันตรายโดยแบบไดนามิกรัน JavaScript
ในสภาพแวดล้อมที่วัดอิเล็กทรอนิกส์หรือโดยการแสดงผลเว็บไซต์ใน
honeypots ลูกค้า เทคนิคทั้งสองแบกประเมินลาดเทนัยสำคัญ
ค่าใช้จ่ายตั้งแต่การวิเคราะห์อาจใช้เวลาถึงสิบวินาทีหรือ
แม้แต่นาทีต่อตัวอย่าง.
ในบทความนี้เราแนะนำนวนิยายที่การวิเคราะห์แบบคงที่อย่างหมดจด
วิธี SIS,? -System ที่ (i) สารสกัดจากการเปลี่ยนแปลงที่เกี่ยวข้องกับ
คุณสมบัติระหว่างสองรุ่นของเว็บไซต์เดียวกัน (ii) ใช้
อัลกอริทึมเครื่องเรียนรู้ที่จะได้รับรูปแบบของเว็บไซต์
การเปลี่ยนแปลง (iii) การตรวจพบว่ามีการเปลี่ยนแปลงที่เป็นอันตรายหรือเป็นพิษเป็นภัย, (iv)
Identi es พื้นฐาน แคมเปญเวกเตอร์ติดเชื้อขึ้นอยู่กับ
การจัดกลุ่มและ (iv) สร้างลายเซ็นระบุ.
เราแสดงให้เห็นถึงอี? ectiveness ของ? -System โดย eval-
uating มันในชุดข้อมูลของกว่า 26 ล้านคู่ของเว็บไซต์โดย
การทำงานต่อไปเพื่อรวบรวมข้อมูลเว็บ เป็นระยะเวลาสี่เดือน ผ่าน
ช่วงเวลานี้? -System การระบุก่อนหน้านี้ประสบความสำเร็จเอ็ด
แคมเปญการติดเชื้อที่ไม่รู้จัก รวมทั้งแคมเปญที่
กำหนดเป้าหมายการติดตั้ง Discuz! X ฟอรั่มอินเทอร์เน็ต
โดยการฉีดพาหะเชื้อเข้าไปในฟอรั่มเหล่านี้และเปลี่ยนเส้นทาง
ผู้อ่านฟอรั่มที่จะติดตั้งเย็น Exploit Kit

ผลลัพธ์ (ไทย) 3:

ระบุเว็บไซต์ที่เป็นอันตรายเป็นหลักค่ะ -
lenge ในวันนี้อินเทอร์เน็ต ผลงานที่ผ่านมาเน้นการตรวจจับ
ถ้าเว็บไซต์ที่เป็นอันตรายโดยการรัน JavaScript
ในสภาพแวดล้อมแบบไดนามิก instrumented หรือโดยการแสดงผลเว็บไซต์ของลูกค้าใน honeypots
. เทคนิคทั้งหมี signi  ไม่สามารถประเมินผล
ค่าใช้จ่าย ตั้งแต่การวิเคราะห์สามารถใช้เวลาถึง 10 วินาที หรือแม้แต่นาทีต่อ

ตัวอย่างในกระดาษนี้เราแนะนำนิยาย หมดจดคงวิเคราะห์ -
พี่ใช้ระบบ
- ( ฉัน ) สารสกัดเปลี่ยนคุณสมบัติที่เกี่ยวข้อง
ระหว่างสองรุ่นของเว็บไซต์เดียวกัน ( 2 ) ใช้
เป็นอัลกอริทึมที่สร้างรูปแบบของการเปลี่ยนแปลงเว็บไซต์
เว็บ ( 3 ) ตรวจพบว่า เปลี่ยนเป็นร้ายหรืออ่อนโยน ( IV )
identi  es การติดเชื้อต้นแบบเวกเตอร์แคมเปญตาม
จักรยานยนต์และ ( 4 ) สร้างระบุลายเซ็น
เราแสดง E  ectiveness ของ
- ระบบโดย eval -
uating บนข้อมูลกว่า 26 ล้านคู่ของเว็บไซต์โดย
วิ่งต่อไปยังเว็บเป็นระยะเวลา 4 เดือน กว่า
ช่วงเวลานี้ ,
- ระบบเรียบร้อยแล้ว identi  เอ็ดก่อนหน้านี้
แคมเปญการติดเชื้อที่ไม่รู้จัก รวมถึงแคมเปญที่
เป้าหมายติดตั้งของดิสคัส !ฟอรั่มอินเทอร์เน็ตซอฟต์แวร์
x การติดเชื้อโดยการฉีดพาหะในฟอรั่มเหล่านี้และการเปลี่ยนเส้นทาง
ผู้อ่านฟอรั่มเพื่อการติดตั้งชุดรีดเย็น