恶意网页是一种亟待解决的网络安全问题,它严重影响人民的财产安全,威胁个人隐私。一般来说,恶意网页的生存周期短,数据采集和标注困难等问题会造成现有方法无法实时检测出最新的恶意域名。并且传统的检测方法如机器学习检测等,检测效率受到数据集的准确度以及人工特征构造的影响较大。针对以上问题,本文主要的研究工作和创新点包括以下三点:1、设计了URL的字符编码器。因为机器学习对特征工程敏感的问题,我们希望通过深度神经网络可自动提取特征的方式来解决这个问题。为了将恶意URL输入深度神经网络中,本文在分析了恶意URL的特性后,设计了字符级编码器,使其编码过的数据作为输入,训练生成式对抗网络,生成逼近真实样本的数据。2、生成恶意URL用以扩充数据集。本文通过训练生成模型,通过生成模型可以拟合真实样本的能力,将其生成的样本作为扩充数据集训练传统分类器,通过实验对比分析可以得出分类器在加入生成数据后准确率都有所提高,以此证明生成数据的有效性,从而解决了样本不足问题。3、提出了MU-GAN恶意网页检测方法。本文改进了原始的对抗模型,通过增加判别器的方式,训练出了一个可以鉴别恶性和良性URL的分类器MU-GAN模型。最终通过对比实验发现,在准确率方面本文的模型的准确率与最新的有监督的机器学习模型取得的效果一样。这些结果表明,本模型可以完成对恶意URL分类的任务。生成式对抗网络模型的稳定性差是众所周知的问题,实验表明,使用两个鉴别器可以提高其稳定性。本模型是在GAN的基础上改进,将生成式对抗网络在恶意URL分类上的创新应用,为将来生成式对抗网络在网络安全领域的应用提供了参考,同时也对其解决文本问题提供了新的思路。