1.一种基于樽海鞘群算法支持向量机的网络钓鱼检测方法，其特征在于，包括以下步骤：步骤1：对网站数据进行处理；

解析网站的URL特征、域名信息以及Web页面特征，并进行数值化和归一化处理，划分训练集，验证集和测试集；

步骤2：随机初始化樽海鞘群算法的参数，包括樽海鞘群数量N、迭代次数L、以及维度dim、樽海鞘个体的位置X以及参数的上下界；其中维度dim表示需要优化的参数的维度，樽海鞘的个体位置X表示为支持向量机的参数C和g的值，参数的上下界表示为参数的寻优范围；

步骤3：计算樽海鞘群的适应度值，将每个樽海鞘个体位置X传入支持向量机中，作为当前支持向量机的参数，然后使用支持向量机对数据集进行分类，返回的分类精确度表示为当前的个体的适应度值；

步骤4：按照适应度大小，将适应度值最大的樽海鞘设置为领导者，其余的樽海鞘设置为跟随者；

步骤5：更新樽海鞘群中个体的位置；

步骤5的具体实现包括以下子步骤：

步骤5.1：按照公式(1)更新作为领导者的樽海鞘的位置；

其中， 表示为第一个作为领导者的樽海鞘在第j个维度上的位置，Fj表示为在第j个维度上的食物源，即表示为第j个维度上的当前最优解，ubj表示第j个维度上的作为领导者的樽海鞘个体的位置上限，lbj表示为第j个维度上作为领导者的樽海鞘个体的下限，通过上限和下限控制每个维度上的搜索范围；c1，c2，c3随机数，其中c2取0到1的随机数，c3≥0时取0到1的随机数；l表示为一个当前的迭代次数，L表示为总的迭代次数；

步骤5.2：按照公式(3)更新作为跟随者的樽海鞘的位置；

其中，i≥2， 表示第i个作为跟随者的樽海鞘的位置；

步骤6：判断终止条件，是否达到迭代次数或者适应度值不在提高；

若否，则回转执行步骤3：

若是，则输出作为领导者的樽海鞘的位置，即为最佳的支持向量机参数C和g；

步骤7：使用支持向量机来对钓鱼网站进行检测和判别。

2.根据权利要求1所述的基于樽海鞘群算法支持向量机的网络钓鱼检测方法，其特征在于：步骤1中，所述URL特征包括有无IP地址、有无异常的字符、URL的长度、端口号以及子域名的状态；所述域名信息包括域名的注册时间、DNS记录以及网页级别；所述Web页面特征包括链接对象、表单对象以及JavaScript脚本语言；特征类型分别为连续型和离散型，将其转化为数值对象并进行归一化。

3.根据权利要求1所述的基于樽海鞘群算法支持向量机的网络钓鱼检测方法，其特征在于：步骤3中所述樽海鞘群的适应度值，是表示为支持向量机对于钓鱼网站的检测准确率，具体计算公式为：式中，TP表示支持向量机检测训练集时将正类的样本分类为正类的数量，FP表示为支持向量机检测测试集时将正类的样本分类为反类的数量。