釣魚網站通常是指偽裝成銀行及電子商務等網站，主要危害是竊取用戶提交的銀行帳號、密碼等私密信息。
網路釣魚是通過大量發送聲稱來自於銀行或其他知名機構的欺騙性垃圾郵件，意圖引誘收信人給出敏感信息（如用戶名、口令、帳號 ID 、 ATM PIN 碼或信用卡詳細信息）的一種攻擊方式。最典型的網路釣魚攻擊將收信人引誘到一個通過精心設計與目標組織的網站非常相似的釣魚網站上，並獲取收信人在此網站上輸入的個人敏感信息，通常這個攻擊過程不會讓受害者警覺。這些個人信息對黑客們具有非常大的吸引力，因為這些信息使得他們可以假冒受害者進行欺詐性金融交易，從而獲得經濟利益。受害者經常遭受顯著的經濟損失或全部個人信息被竊取並用於犯罪的目的。這篇「了解你的敵人」文章旨在基於 德國蜜網項目組 和英國蜜網項目組所搜集到的攻擊數據給出網路釣魚攻擊的一些實際案例分析。這篇文章關注於由蜜網項目組在實際環境中發現的真實存在的網路釣魚攻擊案例，但不會覆蓋所有可能存在的網路釣魚攻擊方法和技術。攻擊者也在不斷地進行技術創新和發展，目前也應該有（本文未提及的）新的網路釣魚技術已經在開發中，甚至使用中。
在給出一個簡要的引言和背景介紹後，我們將回顧釣魚者實際使用的技術和工具，給出使用蜜網技術捕獲真實世界中的網路釣魚攻擊的三個實驗型研究的案例。這些攻擊案例將詳細地進行描述，包括系統入侵、釣魚網站架設、消息傳播和數據收集等階段。隨後，將對其中普遍應用的技術及網路釣魚、垃圾郵件和僵屍網路等技術進行融合的趨勢給出分析。釣魚者使用惡意軟體進行自動化地 Email 地址收集和垃圾郵件發送的案例也將被回顧，同時我們也將展示我們在網路掃描技術及被攻陷主機如何被用於傳播釣魚郵件和其他垃圾郵件上的發現。最後，我們對本文給出結論，包括我們在最近 6 個月內獲得的經驗，以及我們建議的進一步研究的客體。
這篇文章包括了豐富的支持性信息，提供了包含特定的網路釣魚攻擊案例更詳細數據的鏈接。最後聲明一下，在研究過程中，我們沒有收集任何機密性的個人數據。在一些案例中，我們與被涉及網路釣魚攻擊的組織進行了直接聯系，或者將這些攻擊相關的數據轉交給當地的應急響應組織。
引言
欺騙別人給出口令或其他敏感信息的方法在黑客界已經有一個悠久的歷史。傳統上，這種行為一般以社交工程的方式進行。在二十世紀九十年代，隨著互聯網所連接的主機系統和用戶量的飛速增長，攻擊者開始將這個過程自動化，從而攻擊數量巨大的互聯網用戶群體。最早系統性地對這種攻擊行為進行的研究工作在 1998 年由 Gordon 和 Chess 發表。（ Sarah Gordon, David M. Chess: Where There's Smoke, There's Mirrors: The Truth about Trojan Horses on the Internet , presented at the Virus Bulletin Conference in Munich, Germany, October 1998 ） Gordon 和 Chess 研究針對 AOL （美國在線）的惡意軟體，但實際上他們面對的是網路釣魚的企圖而不是他們所期望的特洛伊木馬攻擊。網路釣魚 (Phishing) 這個詞 (password harvesting fishing) 描述了通過欺騙手段獲取敏感個人信息如口令、信用卡詳細信息等的攻擊方式，而欺騙手段一般是假冒成確實需要這些信息的可信方。
Ⅱ 「釣魚網站」是屬於什麼網站啊
釣魚網站通常是指偽裝成銀行及電子商務等網站，主要危害是竊取用戶提交的銀行帳號、密碼等私密信息。 網路釣魚是通過大量發送聲稱來自於銀行或其他知名機構的欺騙性垃圾郵件，意圖引誘收信人給出敏感信息（如用戶名、口令、帳號 ID 、 ATM PIN 碼或信用卡詳細信息）的一種攻擊方式。最典型的網路釣魚攻擊將收信人引誘到一個通過精心設計與目標組織的網站非常相似的釣魚網站上，並獲取收信人在此網站上輸入的個人敏感信息，通常這個攻擊過程不會讓受害者警覺。這些個人信息對黑客們具有非常大的吸引力，因為這些信息使得他們可以假冒受害者進行欺詐性金融交易，從而獲得經濟利益。受害者經常遭受顯著的經濟損失或全部個人信息被竊取並用於犯罪的目的。這篇「了解你的敵人」文章旨在基於 德國蜜網項目組 和 英國蜜網項目組 所搜集到的攻擊數據給出網路釣魚攻擊的一些實際案例分析。這篇文章關注於由蜜網項目組在實際環境中發現的真實存在的網路釣魚攻擊案例，但不會覆蓋所有可能存在的網路釣魚攻擊方法和技術。攻擊者也在不斷地進行技術創新和發展，目前也應該有（本文未提及的）新的網路釣魚技術已經在開發中，甚至使用中。 在給出一個簡要的引言和背景介紹後，我們將回顧釣魚者實際使用的技術和工具，給出使用蜜網技術捕獲真實世界中的網路釣魚攻擊的三個實驗型研究的案例。這些攻擊案例將詳細地進行描述，包括系統入侵、釣魚網站架設、消息傳播和數據收集等階段。隨後，將對其中普遍應用的技術及網路釣魚、垃圾郵件和僵屍網路等技術進行融合的趨勢給出分析。釣魚者使用惡意軟體進行自動化地 Email 地址收集和垃圾郵件發送的案例也將被回顧，同時我們也將展示我們在網路掃描技術及被攻陷主機如何被用於傳播釣魚郵件和其他垃圾郵件上的發現。最後，我們對本文給出結論，包括我們在最近 6 個月內獲得的經驗，以及我們建議的進一步研究的客體。 這篇文章包括了豐富的支持性信息，提供了包含特定的網路釣魚攻擊案例更詳細數據的鏈接。最後聲明一下，在研究過程中，我們沒有收集任何機密性的個人數據。在一些案例中，我們與被涉及網路釣魚攻擊的組織進行了直接聯系，或者將這些攻擊相關的數據轉交給當地的應急響應組織。 引言 欺騙別人給出口令或其他敏感信息的方法在黑客界已經有一個悠久的歷史。傳統上，這種行為一般以社交工程的方式進行。在二十世紀九十年代，隨著互聯網所連接的主機系統和用戶量的飛速增長，攻擊者開始將這個過程自動化，從而攻擊數量巨大的互聯網用戶群體。最早系統性地對這種攻擊行為進行的研究工作在 1998 年由 Gordon 和 Chess 發表。（ Sarah Gordon, David M. Chess: Where There's Smoke, There's Mirrors: The Truth about Trojan Horses on the Internet , presented at the Virus Bulletin Conference in Munich, Germany, October 1998 ） Gordon 和 Chess 研究針對 AOL （美國在線）的惡意軟體，但實際上他們面對的是網路釣魚的企圖而不是他們所期望的特洛伊木馬攻擊。網路釣魚 (Phishing) 這個詞 (password harvesting fishing) 描述了通過欺騙手段獲取敏感個人信息如口令、信用卡詳細信息等的攻擊方式，而欺騙手段一般是假冒成確實需要這些信息的可信方。
Ⅲ 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。
Ⅳ 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。
(4)釣魚網站系統擴展閱讀：
「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
Ⅳ 「釣魚」網站在網路中指的是什麼怎麼識別堤防
一般來說，釣魚網站也稱仿冒網站，發音為「fishing」。它結構簡，只有一個或幾個頁面，URL和真實網站有細微差別，所以要仔細分辨。要想識別提防，建議使用騰訊電腦管家，騰訊電腦管家不僅可以對你的電腦進行全方位的病毒查殺、體檢、清理垃圾、清理惡意插件等還可以對網站有高精確度的判定。
你可以點擊騰訊電腦管家中的「工具」按鈕，單擊「仿冒網站篩選」，然後單擊「打開自動網站檢查」。點擊「確定「即可。
Ⅵ 電腦右下角提示釣魚網站，求解決辦法
網路瀏覽器提示的，可以考慮換一下ie，如果IE下不提示，就說明是網路瀏覽器攔截。
如果IE下也提示，關掉電腦管家試試。
因為沒法實際操作，不清楚情況，如果還有疑問請繼續追問。
同時推薦下我個人很喜歡的火狐瀏覽器
Ⅶ 什麼是「釣魚網站」有啥危害
釣魚網站通常是指偽裝成銀行及電子商務等網站，主要危害是竊取用戶提交的銀行帳號、密碼等私密信息。
網路釣魚是通過大量發送聲稱來自於銀行或其他知名機構的欺騙性垃圾郵件，意圖引誘收信人給出敏感信息（如用戶名、口令、帳號 ID 、 ATM PIN 碼或信用卡詳細信息）的一種攻擊方式。最典型的網路釣魚攻擊將收信人引誘到一個通過精心設計與目標組織的網站非常相似的釣魚網站上，並獲取收信人在此網站上輸入的個人敏感信息，通常這個攻擊過程不會讓受害者警覺。這些個人信息對黑客們具有非常大的吸引力，因為這些信息使得他們可以假冒受害者進行欺詐性金融交易，從而獲得經濟利益。受害者經常遭受顯著的經濟損失或全部個人信息被竊取並用於犯罪的目的。這篇「了解你的敵人」文章旨在基於 德國蜜網項目組 和 英國蜜網項目組 所搜集到的攻擊數據給出網路釣魚攻擊的一些實際案例分析。這篇文章關注於由蜜網項目組在實際環境中發現的真實存在的網路釣魚攻擊案例，但不會覆蓋所有可能存在的網路釣魚攻擊方法和技術。攻擊者也在不斷地進行技術創新和發展，目前也應該有（本文未提及的）新的網路釣魚技術已經在開發中，甚至使用中。
在給出一個簡要的引言和背景介紹後，我們將回顧釣魚者實際使用的技術和工具，給出使用蜜網技術捕獲真實世界中的網路釣魚攻擊的三個實驗型研究的案例。這些攻擊案例將詳細地進行描述，包括系統入侵、釣魚網站架設、消息傳播和數據收集等階段。隨後，將對其中普遍應用的技術及網路釣魚、垃圾郵件和僵屍網路等技術進行融合的趨勢給出分析。釣魚者使用惡意軟體進行自動化地 Email 地址收集和垃圾郵件發送的案例也將被回顧，同時我們也將展示我們在網路掃描技術及被攻陷主機如何被用於傳播釣魚郵件和其他垃圾郵件上的發現。最後，我們對本文給出結論，包括我們在最近 6 個月內獲得的經驗，以及我們建議的進一步研究的客體。
這篇文章包括了豐富的支持性信息，提供了包含特定的網路釣魚攻擊案例更詳細數據的鏈接。最後聲明一下，在研究過程中，我們沒有收集任何機密性的個人數據。在一些案例中，我們與被涉及網路釣魚攻擊的組織進行了直接聯系，或者將這些攻擊相關的數據轉交給當地的應急響應組織。
引言
欺騙別人給出口令或其他敏感信息的方法在黑客界已經有一個悠久的歷史。傳統上，這種行為一般以社交工程的方式進行。在二十世紀九十年代，隨著互聯網所連接的主機系統和用戶量的飛速增長，攻擊者開始將這個過程自動化，從而攻擊數量巨大的互聯網用戶群體。最早系統性地對這種攻擊行為進行的研究工作在 1998 年由 Gordon 和 Chess 發表。（ Sarah Gordon, David M. Chess: Where There's Smoke, There's Mirrors: The Truth about Trojan Horses on the Internet , presented at the Virus Bulletin Conference in Munich, Germany, October 1998 ） Gordon 和 Chess 研究針對 AOL （美國在線）的惡意軟體，但實際上他們面對的是網路釣魚的企圖而不是他們所期望的特洛伊木馬攻擊。網路釣魚 (Phishing) 這個詞 (password harvesting fishing) 描述了通過欺騙手段獲取敏感個人信息如口令、信用卡詳細信息等的攻擊方式，而欺騙手段一般是假冒成確實需要這些信息的可信方。
參考資料：http://..com/question/13948561.html
Ⅷ 什麼是釣魚網站
釣魚網站通常是指偽裝成銀行及電子商務等網站，主要危害是竊取用戶提交的銀行帳號、密碼等私密信息。
網路釣魚是通過大量發送聲稱來自於銀行或其他知名機構的欺騙性垃圾郵件，意圖引誘收信人給出敏感信息（如用戶名、口令、帳號 ID 、 ATM PIN 碼或信用卡詳細信息）的一種攻擊方式。最典型的網路釣魚攻擊將收信人引誘到一個通過精心設計與目標組織的網站非常相似的釣魚網站上，並獲取收信人在此網站上輸入的個人敏感信息，通常這個攻擊過程不會讓受害者警覺。這些個人信息對黑客們具有非常大的吸引力，因為這些信息使得他們可以假冒受害者進行欺詐性金融交易，從而獲得經濟利益。受害者經常遭受顯著的經濟損失或全部個人信息被竊取並用於犯罪的目的。這篇「了解你的敵人」文章旨在基於 德國蜜網項目組 和 英國蜜網項目組 所搜集到的攻擊數據給出網路釣魚攻擊的一些實際案例分析。這篇文章關注於由蜜網項目組在實際環境中發現的真實存在的網路釣魚攻擊案例，但不會覆蓋所有可能存在的網路釣魚攻擊方法和技術。攻擊者也在不斷地進行技術創新和發展，目前也應該有（本文未提及的）新的網路釣魚技術已經在開發中，甚至使用中。
在給出一個簡要的引言和背景介紹後，我們將回顧釣魚者實際使用的技術和工具，給出使用蜜網技術捕獲真實世界中的網路釣魚攻擊的三個實驗型研究的案例。這些攻擊案例將詳細地進行描述，包括系統入侵、釣魚網站架設、消息傳播和數據收集等階段。隨後，將對其中普遍應用的技術及網路釣魚、垃圾郵件和僵屍網路等技術進行融合的趨勢給出分析。釣魚者使用惡意軟體進行自動化地 Email 地址收集和垃圾郵件發送的案例也將被回顧，同時我們也將展示我們在網路掃描技術及被攻陷主機如何被用於傳播釣魚郵件和其他垃圾郵件上的發現。最後，我們對本文給出結論，包括我們在最近 6 個月內獲得的經驗，以及我們建議的進一步研究的客體。
這篇文章包括了豐富的支持性信息，提供了包含特定的網路釣魚攻擊案例更詳細數據的鏈接。最後聲明一下，在研究過程中，我們沒有收集任何機密性的個人數據。在一些案例中，我們與被涉及網路釣魚攻擊的組織進行了直接聯系，或者將這些攻擊相關的數據轉交給當地的應急響應組織。
引言
欺騙別人給出口令或其他敏感信息的方法在黑客界已經有一個悠久的歷史。傳統上，這種行為一般以社交工程的方式進行。在二十世紀九十年代，隨著互聯網所連接的主機系統和用戶量的飛速增長，攻擊者開始將這個過程自動化，從而攻擊數量巨大的互聯網用戶群體。最早系統性地對這種攻擊行為進行的研究工作在 1998 年由 Gordon 和 Chess 發表。（ Sarah Gordon, David M. Chess: Where There's Smoke, There's Mirrors: The Truth about Trojan Horses on the Internet , presented at the Virus Bulletin Conference in Munich, Germany, October 1998 ） Gordon 和 Chess 研究針對 AOL （美國在線）的惡意軟體，但實際上他們面對的是網路釣魚的企圖而不是他們所期望的特洛伊木馬攻擊。網路釣魚 (Phishing) 這個詞 (password harvesting fishing) 描述了通過欺騙手段獲取敏感個人信息如口令、信用卡詳細信息等的攻擊方式，而欺騙手段一般是假冒成確實需要這些信息的可信方。
Ⅸ 釣魚網站是什麼
釣魚網站通常指偽裝成銀行及電子商務，竊取用戶提交的銀行帳號、密碼等私密信息的網站，可用電腦管家進行查殺。「釣魚」是一種網路欺詐行為，指不法分子利用各種手段，仿冒真實網站的URL地址以及頁面內容，或利用真實網站伺服器程序上的漏洞在站點的某些網頁中插入危險的HTML代碼，以此來騙取用戶銀行或信用卡賬號、密碼等私人資料！
如何防釣魚網站？
1、首先前往網路衛士官網 anquan..com下載網路衛士。
2、點擊主界面右側的百寶箱。
3、點擊第二行的惡意網址檢測下載檢測工具。
4、可通過在輸入框中輸入網址 或 拖拽右側吸管到目標網頁中，對相應網址進行檢查。
5、如果該網址沒有問題則會顯示網站相應信息。
6、如果有問題則會報警。為了讓更多小夥伴們不受到惡意網站傷害，還可以將分析結果分享到各個平台。
Ⅹ 遇釣魚網站後系統顯示崩潰怎麼辦
釣魚通常是指偽裝成銀行及電子商務等網站，主要危害是竊取用戶提交的銀行帳號、密碼等私密信息。單純的被釣魚應該不會導致系統崩潰，系統崩潰應該是另有原因。可以用其它殺毒軟體再檢查一下，也可以自己看看沒有可以進程，當然，這樣解決起來還不如重新安裝系統容易。不過，將來重要的網站像網銀，可以在虛擬機中使用，只上重要的網站，這樣可以可以避免被釣魚的風險。