互联网的出现给经济发展带来了新的机遇,但也带来了新的挑战。就在人们对互联网的依赖越来越深的同时,数以百万计的不法分子正在互联网上通过恶意网站进行诈骗和传播恶意软件,这些非法行为无时无刻不威胁着人们的隐私和财产安全。为了保护普通用户的合法权益,恶意网站的检测方法应运而生。然而在黑客技术飞速更新和大数据大行其道的当下,传统的检测方法存在着很多局限性。由此,该文提出了一种基于在线学习的分布式恶意网站检测模型,其主要的工作内容如下:(1)对恶意网站检测方法进行了深入研究分析,分析了现有检测方法的局限性和不足,并重点分析了基于机器学习的恶意网站检测方法;(2)对恶意网站特征进行了详细分析,提出了一种基于WOE算法的域名注册机构特征提取方法。该方法仅使用一个特征来表示不同域名注册机构对恶意网站的相关度,不仅降低了特征向量维度,还可以有效适应新注册机构出现的情况;(3)对在线学习算法进行了深入分析和研究,提出了一种改进的学习率选取方法。该方法采用多维学习率,为每一个特征设置不同的学习率,并根据恶意特征的检出情况来单独进行动态调整,避免了使用统一学习率而导致对低检出率特征学习不足的问题,从而提高了检测效果;(4)对分布式并行策略进行了分析,提出了一种基于特征切分的分布式在线学习模型。该模型将特征的提取以及在线学习的训练过程分布到多台机器之上,具有较好的横向扩展能力,达到了处理大数据的目的。基于以上研究,该文采用Java作为开发语言,设计和实现了基于在线学习算法的分布式恶意网站检测系统,该系统包括特征提取模块,在线学习和预测模块以及WEB交互模块。且通过实验对系统进行了性能分析,实验结果论证了该系统的有效性、正确性和实用性。