一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法与流程

技术特征：
1.一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法，其特征在于，具体步骤如下:首先，收集各用户社工要素的主体属性，同时利用眼动仪记录各用户浏览钓鱼网站或邮件的眼动数据，并进行清洗，去噪以及归一化处理；同时，各用户根据自身对网络钓鱼的信任程度和交易意图进行打分，并删除虚假数据；然后，利用各用户的主体属性和眼动数据，以及统计的信任程度分数以及交易意图分数对支持向量机回归模型svr进行训练；接着，利用k
‑
means聚类算法对用户进行聚类，将用户划分成不同的高、中、低三个易感性等级；最后、当新用户实际浏览钓鱼网站或邮件时，收集新用户的主体属性和眼动数据，并输入将训练好的svr模型中，输出新用户的信任程度分数和交易意图分数，从而计算出易感性值，划分到对应的等级中进行预测；易感性值计算公式如下：y＝αx1 (1
‑
α)x2其中x1为新用户的信任程度分数，x2为新用户的交易意图分数，y为网络钓鱼易感性分数；α为k
‑
means聚类结果确定的参数。2.如权利要求1所述的一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法，其特征在于，所述的主体属性包括用户基本特征信息、用户人格和用户的经验；用户的经验是指用户掌握的网络安全知识的量化值；眼动数据包括：用户浏览钓鱼网站或邮件主体内容的停留时间、注视次数以及回归次数。3.如权利要求1所述的一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法，其特征在于，所述的信任程度分数和交易意图分数均为0到1之间的值，分数越高，信任程度越高，交易意图越强烈。4.如权利要求1所述的一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法，其特征在于，所述的对支持向量机回归模型svr进行训练，具体为：将每个用户的主体属性和眼动数据输入svr模型中，输出各用户的信任程度分数以及交易意图分数；通过输出的两个分数与实际统计的两个分数分别作对比，不断调整svr模型的参数，直至svr模型输出的分数与实际统计的分数满足误差要求。5.如权利要求1所述的一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法，其特征在于，所述的k
‑
means聚类算法根据各用户的信任程度分数和交易意图分数进行，具体为：首先，k
‑
means聚类算法将所有用户聚成三类，分别对应三个易感性等级，即低易感等级，中易感等级和高易感等级；然后，根据划分的三个易感性等级，设定等级之间的阈值；当y∈[0,β]时为低易感等级，当y∈[β,γ]时为中易感等级，当y∈[γ,1]时为高易感等级；β和γ由k
‑
means聚类结果确定。

技术总结
本发明公开了一种基于眼动追踪和社工要素的网络钓鱼易感性预测方法，属于社会工程学领域；具体为：首先，收集各用户社工要素的主体属性，记录各用户浏览钓鱼网站的眼动数据进行清洗；同时，各用户根据自身对网络钓鱼的信任程度和交易意图进行打分；将各用户的获取数据对支持SVR模型进行训练；利用K


技术研发人员：郑康锋 王哲 高华东 武斌 伍淳华
受保护的技术使用者：北京邮电大学
技术研发日：2021.09.06
技术公布日：2021/11/24