論文の概要: PhishZip: A New Compression-based Algorithm for Detecting Phishing Websites

• arxiv url: http://arxiv.org/abs/2007.11955v1
• Date: Wed, 22 Jul 2020 00:32:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 23:37:53.755276
• Title: PhishZip: A New Compression-based Algorithm for Detecting Phishing Websites
• Title（参考訳）: PhishZip: フィッシングサイトを検出する圧縮ベースの新しいアルゴリズム
• Authors: Rizka Purwanto, Arindam Pal, Alan Blair, Sanjay Jha
• Abstract要約: PhishZipは、圧縮アルゴリズムを用いてウェブサイト分類を行う新しいフィッシング検出手法である。 また,機械学習に基づくフィッシング検出を大幅に改善する新しい機械学習機能として圧縮比を提案する。
• 参考スコア（独自算出の注目度）: 12.468922937529966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phishing has grown significantly in the past few years and is predicted to further increase in the future. The dynamics of phishing introduce challenges in implementing a robust phishing detection system and selecting features which can represent phishing despite the change of attack. In this paper, we propose PhishZip which is a novel phishing detection approach using a compression algorithm to perform website classification and demonstrate a systematic way to construct the word dictionaries for the compression models using word occurrence likelihood analysis. PhishZip outperforms the use of best-performing HTML-based features in past studies, with a true positive rate of 80.04%. We also propose the use of compression ratio as a novel machine learning feature which significantly improves machine learning based phishing detection over previous studies. Using compression ratios as additional features, the true positive rate significantly improves by 30.3% (from 51.47% to 81.77%), while the accuracy increases by 11.84% (from 71.20% to 83.04%).
• Abstract（参考訳）: フィッシングはここ数年で大きく成長し、今後さらに増加すると予測されている。 フィッシングのダイナミクスは、ロバストなフィッシング検出システムの実装や、攻撃の変化にもかかわらずフィッシングを表現できる機能の選択に問題をもたらす。 本稿では,webサイト分類を行うための圧縮アルゴリズムを用いた新しいフィッシング検出手法であるphishzipを提案する。 PhishZipは、過去の研究で最高のパフォーマンスのHTMLベースの機能の使用を80.04%で上回っている。 また,従来の研究よりも機械学習に基づくフィッシング検出を大幅に改善する,新しい機械学習機能としての圧縮比を提案する。 付加的な特徴として圧縮比を用いると、真の陽性率は30.3%(51.47%から81.77%)、精度は11.84%(71.20%から83.04%)向上する。

関連論文リスト

• PhishGuard: A Multi-Layered Ensemble Model for Optimal Phishing Website Detection [0.0]
  フィッシング攻撃はサイバーセキュリティの脅威の増大であり、悪意のあるウェブサイトを通じて機密情報を盗むのに詐欺的手法を活用している。 本稿では、フィッシングサイト検出を改善するために設計された最適なカスタムアンサンブルモデルであるPhishGuardを紹介する。 このモデルは、ランダムフォレスト、グラディエントブースティング、CatBoost、XGBoostを含む複数の機械学習分類器を組み合わせて、検出精度を高める。
  論文  参考訳（メタデータ） (2024-09-29T23:15:57Z)
• Next Generation of Phishing Attacks using AI powered Browsers [0.0]
  精度98.32%、精度98.62%、リコール97.86%、F1スコア98.24%であった。 15日間にわたるゼロデイフィッシング攻撃検出テストでは、以前は目に見えない脅威を識別するモデルの能力が明らかにされた。 このモデルは、Googleの安全なブラウジングによる検出を回避したフィッシングURLをうまく検出した。
  論文  参考訳（メタデータ） (2024-06-18T12:24:36Z)
• Learning Accurate Performance Predictors for Ultrafast Automated Model Compression [86.22294249097203]
  フレキシブルネットワーク展開のための超高速自動モデル圧縮フレームワークSeerNetを提案する。 本手法は,探索コストを大幅に削減した競合精度・複雑度トレードオフを実現する。
  論文  参考訳（メタデータ） (2023-04-13T10:52:49Z)
• Unrolled Compressed Blind-Deconvolution [77.88847247301682]
  sparse multi channel blind deconvolution (S-MBD) はレーダー/ソナー/超音波イメージングなどの多くの工学的応用で頻繁に発生する。 そこで本研究では,受信した全信号に対して,はるかに少ない測定値からブラインドリカバリを可能にする圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:16:58Z)
• 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)
• Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
  本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。 提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
  論文  参考訳（メタデータ） (2022-04-26T01:35:02Z)
• Towards Text-based Phishing Detection [0.0]
  本稿では,テキストによるフィッシング検出実験について報告する。 フィッシングメールを認識できた結果は、前報よりもかなり良いが、フィッシングと誤認されたテキストの割合はわずかに悪い。
  論文  参考訳（メタデータ） (2021-11-02T15:37:33Z)
• 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)
• Non-Parametric Adaptive Network Pruning [125.4414216272874]
  アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。 顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。 EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
  論文  参考訳（メタデータ） (2021-01-20T06:18:38Z)
• High Accuracy Phishing Detection Based on Convolutional Neural Networks [0.0]
  本研究では,フィッシングサイトを高精度に検出する深層学習手法を提案する。 提案手法は畳み込みニューラルネットワーク(CNN)を用いて高精度な分類を行う。 我々は6,157件の真偽と4,898件のフィッシングサイトから得られたデータセットを用いてモデルを評価する。
  論文  参考訳（メタデータ） (2020-04-08T12:20:14Z)
• End-to-End Facial Deep Learning Feature Compression with Teacher-Student Enhancement [57.18801093608717]
  本稿では,ディープニューラルネットワークの表現と学習能力を活用することで,エンドツーエンドの特徴圧縮手法を提案する。 特に、抽出した特徴量を、レート歪みコストを最適化することにより、エンドツーエンドでコンパクトに符号化する。 提案モデルの有効性を顔の特徴で検証し, 圧縮性能を高いレート精度で評価した。
  論文  参考訳（メタデータ） (2020-02-10T10:08:44Z)

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。