Überblick
Die im Scientific and Technical Journal of Information Technologies, Mechanics and Optics veröffentlichte Arbeit untersucht Technologieerkennung, wenn statische Signaturen verborgen sind oder durch dynamisches Laden beeinflusst werden. Rand Deeb und Alisa A. Vorobeva verbinden schwache Überwachung mit Verhaltensbeobachtungen.
Übereinstimmungen zwischen Wappalyzer und BuiltWith liefern positive Trainingslabels. Ein automatisierter Browser erfasst Merkmale aus HTTP-Headern, Cookies, Netzwerkanfragen und der Dokumentstruktur. Ein Random Forest für mehrere Labels prognostiziert Technologien; aus Trainingsdaten gelernte Assoziationsregeln korrigieren diese Prognosen.
Die Evaluation umfasst 8.594 Websites und 122 Technologien. Auf der festgelegten Testaufteilung stieg der mikro-gemittelte F1-Wert von 0,750 für den Random Forest auf 0,763 nach regelgestützter Nachverarbeitung. Diese Ergebnisse gelten für den verwendeten Datensatz. Der Ansatz ergänzt signaturbasierte Erkennung und belegt keine zuverlässige Erkennung jeder verborgenen oder zuvor unbekannten Technologie.
Offizieller Veröffentlichungstitel
Weakly Supervised Web Technology Identification with Rule-Augmented Machine Learning
Eckdaten
- Veröffentlichung
- 2026
- Veröffentlicht in
- Scientific and Technical Journal of Information Technologies, Mechanics and Optics
- Themen
- Webtechnologie-Erkennung · Schwache Überwachung · Maschinelles Lernen · Assoziationsregeln