1.一种钓鱼网站鉴别系统，包括已知解析单元、未知解析单元和检测模块(20)，所述检测模块(20)分别与所述已知解析单元、未知解析单元连接，其特征在于，所述已知解析单元至少包括第一特征提取模块(31)和分类训练模块(30)，所述第一特征提取模块(31)用于提取已知钓鱼网站URL或源码的特征向量，所述分类训练模块(30)用于对已知钓鱼网站URL或源码的特征向量进行分类训练得到的特征模型，并存入所述检测模块(20)中；所述分类训练模块(30)基于极速学习机，采用单层前馈神经网络，应用极限学习机算法训练得到钓鱼网站的特征模型；所述未知解析单元至少包括第二特征提取模块(11)，所述第二特征提取模块(11)用于提取未知网站URL或源码的特征向量，并存入所述检测模块(20)中；

所述分类训练模块(30)基于极速学习机，采用单层前馈神经网络，应用极限学习机算法训练得到钓鱼网站的特征模型具体为，应用极限学习机训练单层前馈神经网络进行分类，其步骤如下：(1)将训练数据样本提交到分类训练模块(30)，设置隐藏层节点数量K，随机分配输入层权重w与隐藏层偏差b，计算隐藏层节点的输出：其中，wj＝[wj1，wj2，...，wjn](j＝1，2，...K，n＝1，2，...，9)连接第j个隐藏层节点与输入数据datai的权重；xi＝[datai1，datai2，...datain]T是第i个网站的特征，N是样本数；g(w，x，b)是激活函数，设置为sigmoid函数，该sigmoid函数为：g(w，x，b)＝1/(1+exp(-(w·x+b)))

对应于输入xi的输出为oi：

其中，βj＝[βj1，βj2，...，βjm]T是连接第j个隐藏层神经元与输出神经元的权重，其中m为每一个特征标签ti的维数；

(2)计算 如果HTH是非奇异矩阵，那么 如果HHT是非奇异矩阵，那么

(3)计算隐藏层与输出神经元之间的权重，为

最后，检测模块(20)以该分类训练模块(30)中的特征模型对未知网站进行是否为钓鱼网站的判定，保存分类训练模块(30)中极限学习机的输入权重w、隐藏层偏差b和隐藏层与输出神经元的权重 对于一个未知网站，首先根据提交的URL和源码，通过特征提取模块提取特征向量，然后将特征向量存入到检测模块(20)中，根据上述步骤(1)、(2)、(3)中的公式计算隐藏层节点输出H和神经网络的输出 如果其数值大于0.5，则为钓鱼网站，如果其数值小于等于0.5，则为合法网站。

2.根据权利要求1所述的钓鱼网站鉴别系统，其特征在于，所述第一特征提取模块(31)与所述分类训练模块(30)连接，所述检测模块(20)分别与所述分类训练模块(30)、第二特征提取模块(11)连接，所述检测模块(20)用于将未知特征向量与特征模型对比。

3.根据权利要求2所述的钓鱼网站鉴别系统，其特征在于，所述已知解析单元还包括第一获取模块(32)，所述第一获取模块(32)与所述第一特征提取模块(31)连接，用于获取已知钓鱼网站的URL或源码，并发送至所述第一特征提取模块(31)。

4.根据权利要求2所述的钓鱼网站鉴别系统，其特征在于，所述未知解析单元还包括第二获取模块(12)，所述第二获取模块(12)与所述第二特征提取模块(11)连接，用于获取未知网站的URL或源码，并发送至所述第二特征提取模块(11)。

5.如权利要求1至4所述系统的钓鱼网站鉴别方法，其特征在于，包括以下步骤：

(1)获取已知钓鱼网站的URL或源码，提取已知钓鱼网站URL或源码的特征向量；

(2)对已知特征向量进行分类训练解析，基于极速学习机，采用单层前馈神经网络，应用极限学习机算法训练得到钓鱼网站的特征模型，步骤如下：(2.1)对训练数据样本设置隐藏层节点数量K，随机分配输入层权重w与隐藏层偏差b，计算隐藏层节点的输出：其中，wj＝[wj1，wj2，...wjn](j＝1，2，...K，n＝1，2，...，9)连接第j个隐藏层节点与输入数据datai的权重；xi＝[datai1，datai2，...datain]T是第i个网站的特征，N是样本数；g(w，x，b)是激活函数，设置为sigmoid函数，该sigmoid函数为：g(w，x，b)＝1/(1+exp(-(w·x+b)))

对应于输入xi的输出为oi：

其中，βj＝[βj1，βj2，...，βjm]T是连接第j个隐藏层神经元与输出神经元的权重，其中m为每一个特征标签ti的维数；

(2.2)计算 如果HTH是非奇异矩阵，那么 如果HHT是非奇异矩阵，那

么

(2.3)计算隐藏层与输出神经元之间的权重，为 (3)获取未知网站的URL或源码，提取未知网站URL或源码的特征向量；

(4)将未知特征向量与所述特征模型进行对比分析，做出判定，具体为以特征模型对未知网站进行是否为钓鱼网站的判定，保存极限学习机的输入权重w、隐藏层偏差b和隐藏层与输出神经元的权重 根据上述步骤(2.1)、(2.2)、(2.3)中的公式计算隐藏层节点输出H和神经网络的输出 如果其数值大于0.5，则为钓鱼网站，如果其数值小于等于0.5，则为合法网站。

6.根据权利要求5所述的钓鱼网站鉴别方法，其特征在于，所述特征向量包括URL特征、域名特征和链接关系特征。

7.根据权利要求6所述的钓鱼网站鉴别方法，其特征在于，URL特征包括URL长度、@字符、IP地址、网站访问量和与已知钓鱼网站链接的URL数量。

8.根据权利要求6所述的钓鱼网站鉴别方法，其特征在于，所述域名特征包括子域名数量、域名信息和域名创建时间。

9.根据权利要求6所述的钓鱼网站鉴别方法，其特征在于，所述链接关系为网站内、外链接关系。