論文の概要: Phishing URL Detection Through Top-level Domain Analysis: A Descriptive
Approach
- arxiv url: http://arxiv.org/abs/2005.06599v1
- Date: Wed, 13 May 2020 21:41:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 13:42:18.167813
- Title: Phishing URL Detection Through Top-level Domain Analysis: A Descriptive
Approach
- Title(参考訳): トップレベルドメイン解析によるフィッシングurl検出:記述的アプローチ
- Authors: Orestis Christou and Nikolaos Pitropakis and Pavlos Papadopoulos and
Sean McKeown and William J. Buchanan
- Abstract要約: 本研究では,Splunkプラットフォーム内で使用可能な不正なURLを検出する機械学習モデルを開発することを目的とする。
文学における同様のアプローチから着想を得た私たちは、悪意のあるデータセットと良心的なデータセットを使用して、SVMとランダムフォレストアルゴリズムを訓練しました。
我々はアルゴリズムの性能を精度とリコールで評価し,ランダムフォレストの場合,最大85%の精度と87%のリコールを達成した。
- 参考スコア(独自算出の注目度): 3.494620587853103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phishing is considered to be one of the most prevalent cyber-attacks because
of its immense flexibility and alarmingly high success rate. Even with adequate
training and high situational awareness, it can still be hard for users to
continually be aware of the URL of the website they are visiting. Traditional
detection methods rely on blocklists and content analysis, both of which
require time-consuming human verification. Thus, there have been attempts
focusing on the predictive filtering of such URLs. This study aims to develop a
machine-learning model to detect fraudulent URLs which can be used within the
Splunk platform. Inspired from similar approaches in the literature, we trained
the SVM and Random Forests algorithms using malicious and benign datasets found
in the literature and one dataset that we created. We evaluated the algorithms'
performance with precision and recall, reaching up to 85% precision and 87%
recall in the case of Random Forests while SVM achieved up to 90% precision and
88% recall using only descriptive features.
- Abstract(参考訳): フィッシングは、その柔軟性と驚くほど高い成功率のため、最も一般的なサイバー攻撃の1つと考えられている。
適切なトレーニングと高い状況意識にもかかわらず、ユーザーが訪問しているウェブサイトのURLを継続的に認識することは困難である。
従来の検出方法はブロックリストとコンテンツ分析に依存しており、どちらも人間の検証に時間を要する。
このように、そのようなURLの予測フィルタリングに焦点を当てる試みがある。
本研究では,Splunkプラットフォーム内で使用可能な不正URLを検出する機械学習モデルを開発することを目的とする。
文学における同様のアプローチから着想を得た私たちは、文学で見つかった悪意のある、良心的なデータセットと作成した1つのデータセットを使用して、SVMとランダムフォレストアルゴリズムを訓練しました。
我々は,アルゴリズムの性能を精度とリコールで評価し,ランダムフォレストの場合,最大85%の精度と87%のリコールを達成し,SVMは90%の精度,88%のリコールを記述的特徴のみで達成した。
関連論文リスト
- PhishSim: Aiding Phishing Website Detection with a Feature-Free Tool [12.468922937529966]
正規化圧縮距離(NCD)を用いたフィッシングサイト検出のための機能フリー手法を提案する。
この尺度は2つのウェブサイトの類似性を圧縮することで計算し、特徴抽出を行う必要がなくなる。
我々はFurthest Point Firstアルゴリズムを用いてフィッシングプロトタイプ抽出を行い、フィッシングWebページのクラスタを表すインスタンスを選択する。
論文 参考訳(メタデータ) (2022-07-13T20:44:03Z) - An Adversarial Attack Analysis on Malicious Advertisement URL Detection
Framework [22.259444589459513]
悪意のある広告URLは、サイバー攻撃の源泉であるため、セキュリティ上のリスクをもたらす。
既存の悪意のあるURL検出技術は制限されており、見えない機能やテストデータの一般化を扱うことができる。
本研究では,新しい語彙・ウェブスクラップ機能群を抽出し,機械学習技術を用いて不正広告URL検出システムを構築する。
論文 参考訳(メタデータ) (2022-04-27T20:06:22Z) - UNBUS: Uncertainty-aware Deep Botnet Detection System in Presence of
Perturbed Samples [1.2691047660244335]
ボットネット検出には極めて低い偽陽性率(FPR)が必要であるが、現代のディープラーニングでは一般的に達成できない。
本稿では,98%以上の精度のボットネット分類のためのLSTMに基づく2つの分類アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2022-04-18T21:49:14Z) - Deep convolutional forest: a dynamic deep ensemble approach for spam
detection in text [219.15486286590016]
本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。
その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
論文 参考訳(メタデータ) (2021-10-10T17:19:37Z) - Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。
元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。
私たちのコードは、将来的な比較作業のためにオープンソースにされます。
論文 参考訳(メタデータ) (2021-07-01T08:58:16Z) - Realtime Robust Malicious Traffic Detection via Frequency Domain
Analysis [14.211671196458477]
本稿では,リアルタイムMLに基づく不正なトラフィック検出システムであるWhisperを提案する。
42種類の攻撃で実験したところ、ウィスパーは様々な高度なステルス攻撃を正確に検出でき、少なくとも18.36%の改善が達成された。
様々な回避攻撃の下でも、Whisperは検出精度の約90%を維持することができる。
論文 参考訳(メタデータ) (2021-06-28T13:38:05Z) - Detection of Adversarial Supports in Few-shot Classifiers Using Feature
Preserving Autoencoders and Self-Similarity [89.26308254637702]
敵対的なサポートセットを強調するための検出戦略を提案する。
我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。
提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
論文 参考訳(メタデータ) (2020-12-09T14:13:41Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional
Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。
そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文 参考訳(メタデータ) (2020-04-13T04:12:59Z) - Hybrid Model For Intrusion Detection Systems [0.0]
このプロジェクトには、侵入検知システムで使用されるさまざまな機械学習アルゴリズムの分析が含まれる。
両データセットの異なる侵入検知システムの解析の後、本プロジェクトは侵入検知システムのための新しいハイブリッドモデルを開発することを目的とした。
論文 参考訳(メタデータ) (2020-03-19T05:52:29Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳(メタデータ) (2020-03-04T12:27:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。