Page 36 - 清流雙月刊 NO.39

MJIB

練方式替代人工制定規則，可能是對抗目 Facebook、Twitter 等，有些則是即時通訊

前不斷激增且變異的惡意與釣魚網站的一 如 Line、IG、Messenger 等，因此透過不
個可選方案。 同的訓練集或是模型參數，可以讓判斷更

為精準，而若是對於網站有疑義，仍可經
透過特徵（Feature）的篩選以及資料
過一些深入的檢測模式（透過代理伺服器
集的訓練，將會產生一個模型， 該模型可
10
進行以避免用戶端身處險境）進行更為精
儲存於雲端服務或是架設一臺代理伺服器
準的判斷，提供用戶更好的安全監控及過
（Proxy Server）以作為攔截檢查惡意連結，
濾服務。
以及進一步深度檢測之用。圖 1 為可能的

架構想法，表 1 則說明可能的特徵類型。
網路安全與人工智慧之競合
可以思考透過不同環境的訓練資料以
面對科技，我們常會悠遊於它所帶來
強化情境分析。譬如有些惡意的連結來源
的便利，但也始終擔心它的負面效應。網
是經由 Email，有一些是透過社群平臺，如

圖 1 整合機器學習的網頁安全性判別模式

10
如採用隨機森林（Random Forest）、卷積神經網路（Convolutional Neural Network, CNN）或其他機器學習模式。

34 清流雙月刊