Er is veel malware op internet, onwetende computergebruikers kunnen ertoe worden verleid webpagina's te bezoeken die dergelijke kwaadaardige inhoud aanbieden en als zodanig is er een dringende behoefte om beveiligingssystemen te ontwikkelen die dergelijke kwaadaardige websites snel kunnen detecteren en gebruikers beschermen tegen het schrapen van hun persoonlijke en privégegevens, hun logins en bankgegevens geassimileerd, of hun computer of mobiele apparaat gekaapt voor de snode doeleinden van criminelen van derden.

Een nieuw artikel van Dharmaraj Patil en Jayantrao Patil van het Department of Computer Engineering, bij de R. C. Patel Instituut voor Technologie, in Shirpur, Maharashtra, Indië, schetst een nieuwe benadering voor het detecteren van kwaadaardige websites op basis van methodes voor het selecteren van functies en machine learning. Het paar bespreekt details in het International Journal of High Performance Computing and Networking.

Hun aanpak maakt gebruik van drie modules:functieselectie, opleiding, en classificatie. Om de aanpak te testen, het team gebruikte zes methodes voor het selecteren van kenmerken en acht gecontroleerde classificaties voor machine learning en voerde experimenten uit op de gebalanceerde binaire dataset. Met functieselectiemethoden, ze waren in staat om kwaadaardige webinhoud te detecteren met een nauwkeurigheid van tussen de 94 en 99 procent en zelfs daarboven. Het foutenpercentage was slechts 0,19 tot 5,55%. Ze vergeleken hun resultaten met achttien bekende antivirusprogramma's die ook kwaadaardige webpagina's detecteren en ontdekten dat de aanpak beter presteerde dan alle andere.