釣魚網站怎麼做

『壹』 釣魚網站怎麼製作有直接生成網站的軟體嗎

樓主你好

宣傳和製作釣Yu網站都是不對的喲

騰訊電腦管家有全國最大最全的釣魚網站資料庫，可以有效防止被騙。

（舉報方法：1、官方網站，2打開騰訊電腦管家軟體——反饋——舉報可疑網站）

一旦被記錄該網站就會被貼危險標簽，大家就都不會進的了。

如下圖

『貳』 怎麼學做釣魚網站

樓主你好

宣傳和製作釣Yu網站都是不對的喲

騰訊電腦管家有全國最大最全的釣魚網站資料庫，可以有效防止被騙。

（舉報方法：1、官方網站，2打開騰訊電腦管家軟體——反饋——舉報可疑網站）

一旦被記錄該網站就會被貼危險標簽，大家就都不會進的了。

如下圖

『叄』 如何自己搭建釣魚網站檢測系統

0×01基本系統架構
隨著電子商務、互聯網金融的快速發展，在利益的驅使下，從事「釣魚攻擊」的黑產呈逐漸上升趨勢。「釣魚攻擊」不僅對企業的品牌形象造成嚴重損害，還對用戶的賬戶安全、甚至資金安全構成了極大的威脅。
目前「釣魚攻擊」已經為了網路欺詐的重要一環，因此反釣魚系統在電子商務、金融證券、電信運營商等企業的安全運營中起著越來越重要的地位。
反釣魚系統一般有如下兩種架構。

對於這種架構主要適用於缺乏終端控制力的企業。企業可以從各個渠道收集待檢測的url，檢測引擎調用利用WebKit引擎獲取頁面渲染後的有效內容，然後調用檢測演算法對頁面內容進行檢測。檢測後將檢測結果存至資料庫，之後將檢測結果輸出至第三方的攔截系統、關停服務提供商等，最終遏制「釣魚攻擊」的發生。

對於第二種架構，適用於擁有大量終端的企業，利用終端的能力代替了WebKit。終端直接將疑似頁面的特徵發回後端的檢測引擎，檢測引擎生成檢測結果、產出黑名單，同時將檢測結果的返回至終端。
0×02檢測引擎
檢測引擎做為反釣魚系統的核心承擔著識別頁面是否為釣魚網站的任務。針對釣魚網站的檢測手段主要有IP黑名單，url分析，域名注冊信息分析，頁面內容分析，圖像識別等方法。
其中頁面內容分析一直是釣魚頁面識別的主要手段。頁面識別的主要演算法有貝葉斯演算法、機器學習演算法、Html文檔特徵等演算法。
下面介紹下如何使用貝葉斯演算法進行頁面識別。
貝葉斯演算法簡介
貝葉斯分類是一類分類演算法的總稱，是關於隨機事件A和B的條件概率和邊緣概率的一則定理。

P(A)是A的先驗概率或邊緣概率。之所以稱為」先驗」是因為它不考慮任何B方面的因素；
P(A|B)是已知B發生後A的條件概率，也由於得自B的取值而被稱作A的後驗概率；
P(B|A)是已知A發生後B的條件概率，也由於得自A的取值而被稱作B的後驗概率；
P(B)是B的先驗概率或邊緣概率，也作標准化常量。
分類原理
我們用W來代表一個待分類的網頁，用h+釣魚網頁，用h-代表正常網頁。利用貝葉斯公式，判定頁面是否為釣魚網頁可描述為：
P(h+|W)=P(h+)*P(W|h+)/P(W)
P(h-|W)=P(h-)*P(W|h-)/P(W)
P(W)為常量，可以暫時忽略。P(h+)、P(h-)為先驗概率，即一個真實的網頁集合中，釣魚網頁的比例與正常網頁的比例。
為了求得P(W|h)，我們可以將W進行分詞，W={w1,w2,w3…}。如果我們假設w1，w2等是條件無關的，則P(W|h+)=P(w1|h+)*P(w2|h+)*P(w3|h+)。
P(wi|h+)經過Laplacean平滑處理後，P(wi|h+)=(1 + 特徵詞wi在h+訓練集中的詞頻) / (全部特徵詞去重個數 + h+下所有詞出現總數)。
這樣我們便能計算出P(h+|W)與P(h-|W)，比較大小可知頁面屬於哪一分類。
數據准備
為了獲取待檢測域名，我們可以從ICANN的Centralized Zone Data Service免費獲取到全球的域名列表，做差量可得到全球的每日新增域名。之後將每日新增的域名導入到我們的待檢測列表。
我們可以通過Python調用Phantomjs去獲取頁面中內容。
Phantomjs：
var webPage = require('webpage');
var system = require('system');
var page = webPage.create();

if (system.args.length === 1) {
console.log("error");
phantom.exit();
} else {
url = system.args[1];
page.open(url, function (status) {
if (status == 'success') {
var content = page.content;
console.log(content);
} else {
console.log("error");
}
phantom.exit();
});
};

Python：
def get_page_content(url):
cmd = 'phantomjs getPageContent.js %s' % (url)
stdout, stderr = subprocess.Popen(cmd, shell = True,
stdout = subprocess.PIPE, stderr = subprocess.PIPE).communicate()
return stdout

為了得到一個貝葉斯分類器，需要一個樣本集對其進行訓練。首先要對頁面做打標分類，一類為釣魚頁面樣本集，一類為正常頁面樣本集。樣本集就是我們的原始訓練素材。
建立模型
這里針對中文的釣魚頁面建立分類模型，我們先使用正則提取出原始頁面中的中文字元。
def get_chinese_content(raw_page_content):
content_list = re.findall(ur"[\u4e00-\u9fa5]+", raw_page_content)
return "".join(content_list)

獲取頁面中文內容後，我們對其進行分詞。
def get_seg_list(chinese_content):
return jieba.cut(chinese_content)

有了基礎數據後，就可以開始訓練貝葉斯模型。我們需要一份停用詞表，類似下面的無意義作為停用詞，從樣本集的分詞結果中去掉。
一,一下,一個,一些,的,了,和,是,就,都,而,及,與,著,或,一何,一切......

我們需要統計出在兩個樣本集中總共出現了多少個不同的詞 all_unique_word_count。之後我們需要分別求出釣魚樣本集與正常樣本集各自出現了多少詞彙，all_phish_word_count, all_normal_word_count。
def count_all_unique_word(word_list):
return len(set(word_list))

all_unique_word_count = count_all_unique_word(all_word_list)

接下來我們分別統計釣魚網頁樣本集與正常網頁樣本集中各個詞語的詞頻信息，phish_word_frenquency_dict, normal_word_frequency_dict。
def get_word_frequency(word_list):
frequency_dict = dict()
for w in word_list:
if frequency_dict.has_key(w):
frequency_dict[w] = frequency_dict[w] + 1
else:
frequency_dict[w] = 1
return frequency_dict

phish_word_frenquency_dict = get_word_frequency(phish_word_list)
normal_word_frequency_dict = get_word_frequency(normal_word_list)

根據貝葉斯分類器原理推導的公式，可以計算出P(wi|h+)概率列表phish_word_probability_table與P(wi|h-)的概率列表normal_word_probability_table，這兩個table就是貝葉斯模型的核心，需要保存下來。
def get_word_probability_table(word_frequency_dict, category_word_count, all_unique_word_count):
probability_dict = dict()
for key, value in word_frequency_dict.items():
probability_dict[key] = (1 + value) / (all_unique_word_count + category_word_count)
return probability_dict

phish_word_probability_table = get_word_probability_table(phish_word_frequency_dict, all_phish_word_count, all_unique_word_count)
normal_word_probability_table = get_word_probability_table(normal_word_frequency_dict, all_normal_word_count, all_unique_word_count)

P(h+)、P(h-)我們可以直接求出，即訓練樣本集中釣魚網頁數目與正常網頁數目的比例probability_phish，probability_normal。
釣魚檢測
當有了訓練好的模型後，只要獲取了頁面的內容，進行分詞。查詢phish_word_probability_table與P(wi|h-)，計算出P(h+|W)與P(h-|W)，比較大小，判定是否為釣魚頁面。
def analyse_page(raw_page_content, probability_phish, probability_normal, phish_word_probability_table, normal_word_probability_table):
page_word_list = get_seg_list(get_chinese_content(raw_page_content))
p_phish = probability_phish
p_normal = probability_normal
for w in page_word_list:
p_phish = p_phish * phish_word_probability_table[w]
p_normal = p_phish * normal_word_probability_table[w]
return True if p_phish > p_normal else False

0×03 策略、改進
「釣魚攻擊」者為了躲避反釣魚系統的檢測，常常採取屏蔽反釣魚檢測系統IP，屏蔽特定UA，頁面使用js或flash進行動態渲染，全頁面圖片化等手段。
反釣魚系統為了與之對抗，需要充分利用雲端與終端的優勢，突破釣魚網站對檢測系統的屏蔽，並採取動態渲染的方式載入js、flash獲取頁面內容。檢測技術也從單一的文本分析進化到了大數據統計分析、機器學習分類演算法、HTML特徵、圖像識別等手段，對可疑頁面進行實時的分析。甚至是僅僅注冊了釣魚域名，釣魚網站還未開通，就對高危域名做出了預判，對風險進行感知，以降低用戶受到網路欺詐的風險。

『肆』 怎麼做釣魚網站發送郵件到別人Q的然後他一點就到假的網站，怎麼做急急急

樓主你好

宣傳和製作釣Yu網站都是不對的喲

騰訊電腦管家有全國最大最全的釣魚網站資料庫，可以有效防止被騙。

（舉報方法：1、官方網站，2打開騰訊電腦管家軟體——反饋——舉報可疑網站）

一旦被記錄該網站就會被貼危險標簽，大家就都不會進的了。

如下圖

『伍』 怎麼製作釣魚網站

建網站可以直接到網上下載智能建站系統來做的：pageadmin cms、discuz cms都是比較簡單的自助建站系統，新手也可以輕松建站。

『陸』 YY釣魚網站怎麼製作

不支持製作釣魚網站，因為釣魚網站是非法的，同時如果詐騙了其它玩家的話被抓到是刑事罪。
同時如果你發現釣魚網站進行欺詐，可以使用騰訊電腦管家進行舉報。
也可以使用騰訊電腦管家進行實時防護。保護你的賬號安全。

『柒』 釣魚網站怎麼製作

樓主你好

宣傳和製作釣Yu網站都是不對的喲

騰訊電腦管家有全國最大最全的釣魚網站資料庫，可以有效防止被騙。

（舉報方法：1、官方網站，2打開騰訊電腦管家軟體——反饋——舉報可疑網站）

一旦被記錄該網站就會被貼危險標簽，大家就都不會進的了。

如下圖

『捌』 怎麼製作釣魚網頁

製作使用釣魚網站是一種違法不道德的行為，構成詐騙的將會付上法律責任。
建議不要製作。
同時我們為防止自身電腦受到釣魚網站的侵害，
建議使用騰訊電腦管家進行高效防護。
16層實時防護，全方位保護電腦安全；

騰訊電腦管家是可以全方位保護您的帳號的，使用電腦管家可以全方位的保護您的帳號的安全。

『玖』 做釣魚網站需要什麼工具

我的網站就是釣魚人社區，你看看吧

『拾』 什麼叫做釣魚網站

釣魚網站是指欺騙用戶的虛假網站。「釣魚網站」的頁面與真實網站界面基本一致，欺騙消費者或者竊取訪問者提交的賬號和密碼信息。釣魚網站一般只有一個或幾個頁面，和真實網站差別細微。釣魚網站是互聯網中最常碰到的一種詐騙方式，通常偽裝成銀行及電子商務、竊取用戶提交的銀行賬號、密碼等私密信息的網站，可用電腦管家進行查殺。

(10)釣魚網站怎麼做擴展閱讀：

「釣魚網站」近來在全球頻繁出現，嚴重地影響了在線金融服務、電子商務的發展，危害公眾利益，影響公眾應用互聯網的信心。

CN域名是全球注冊量最大的域名，目前國內所有的銀行、證券、保險等金融服務機構的網路都使用CN域名，一旦「釣魚網站」有目的地攻擊金融系統，後果不堪設想。「釣魚網站」具有存活期短、危害大等特點，通過傳統的司法手段很難對其進行有效打擊。

參考資料來源：網路——釣魚網站