論文の概要: Phishing Detection Using Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2009.11116v1
• Date: Sun, 20 Sep 2020 11:52:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 12:25:31.672489
• Title: Phishing Detection Using Machine Learning Techniques
• Title（参考訳）: 機械学習技術を用いたフィッシング検出
• Authors: Vahid Shahrivari, Mohammad Mahdi Darabi, Mohammad Izadi
• Abstract要約: ファイシャーは、個人情報を盗むために、ソーシャルエンジニアリングやモックアップのウェブサイトを作成して被害者を騙そうとする。 これらの悪意のあるアクティビティを検出する最も成功した方法の1つは、機械学習である。 本稿では,フィッシングサイトを予測するための複数の機械学習手法の結果を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Internet has become an indispensable part of our life, However, It also has provided opportunities to anonymously perform malicious activities like Phishing. Phishers try to deceive their victims by social engineering or creating mock-up websites to steal information such as account ID, username, password from individuals and organizations. Although many methods have been proposed to detect phishing websites, Phishers have evolved their methods to escape from these detection methods. One of the most successful methods for detecting these malicious activities is Machine Learning. This is because most Phishing attacks have some common characteristics which can be identified by machine learning methods. In this paper, we compared the results of multiple machine learning methods for predicting phishing websites.
• Abstract（参考訳）: インターネットは私たちの生活に欠かせない部分となっているが、フィッシングのような悪質な行為を匿名で行う機会も提供してきた。 Phishersは、ソーシャルエンジニアリングや、アカウントID、ユーザー名、パスワードなどの情報を個人や組織から盗むためのモックアップサイトの作成によって、被害者を騙そうとしている。 フィッシングサイトの検出には多くの方法が提案されているが、ファッシャーはこれらの検出方法から逃れるために彼らの手法を発展させている。 悪意のあるアクティビティを検出する最も成功した方法の1つは、機械学習である。 これは、ほとんどのフィッシング攻撃は、機械学習手法で識別できる共通の特徴を持っているためである。 本稿では,フィッシングサイトを予測するための複数の機械学習手法の結果を比較した。

関連論文リスト

• Deepfake detection in videos with multiple faces using geometric-fakeness features [79.16635054977068]
  被害者や人物のディープフェイクは、脅迫、ゆがみ、金融詐欺の詐欺師によって使用される。 本研究では,映像中の顔の存在の動的度を特徴付ける幾何学的フェイクネス機能(GFF)を提案する。 我々は、ビデオに同時に存在する複数の顔でビデオを分析するために、我々のアプローチを採用している。
  論文  参考訳（メタデータ） (2024-10-10T13:10:34Z)
• Time-Aware Face Anti-Spoofing with Rotation Invariant Local Binary Patterns and Deep Learning [50.79277723970418]
  模倣攻撃は 不正な識別と その後の攻撃者の認証につながる 顔認識と同様に、模倣攻撃も機械学習で検出できる。 本稿では,未使用の機能と時間認識の深層学習戦略を組み合わせることで,高い分類精度を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T07:26:10Z)
• Verification of Machine Unlearning is Fragile [48.71651033308842]
  両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。 この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-01T21:37:10Z)
• Phishing Website Detection Using a Combined Model of ANN and LSTM [0.9208007322096533]
  フィッシング(英: phishing)とは、コンピュータユーザーの個人情報を盗むためのサイバー犯罪の一種である。 攻撃者は、コンピュータのユーザに対する詐欺行為のために、アカウントID、パスワード、ユーザー名などの個人情報を使用した。 この問題を解決するために研究者たちは、機械学習とディープラーニングのアプローチに焦点を当てた。
  論文  参考訳（メタデータ） (2024-03-24T14:46:02Z)
• "Do Users fall for Real Adversarial Phishing?" Investigating the Human response to Evasive Webpages [7.779975012737389]
  最先端のソリューションでは、有名なブランドのWebページと視覚的に似ているかどうかをチェックすることによって、フィッシングサイトを検出する機械学習の適用が求められる。 一部のセキュリティ企業はフィッシング検知システム(PDS)にも導入し始めた。 本稿では、「商用MLベースのPSD」を回避する「総合的なフィッシングサイト」が「現実」の問題であるかどうかを精査する。
  論文  参考訳（メタデータ） (2023-11-28T00:08:48Z)
• Detecting Backdoors in Deep Text Classifiers [43.36440869257781]
  本稿では,テキスト分類モデルに対するバックドア攻撃を一般化する,最初の堅牢な防御機構を提案する。 我々の技術は、データ中毒や重毒など、最先端のバックドア攻撃に対する防御に極めて正確です。
  論文  参考訳（メタデータ） (2022-10-11T07:48:03Z)
• Phishing URL Detection: A Network-based Approach Robust to Evasion [17.786802845563745]
  本稿では,正規パターンを付加したフィッシングURLを正確に検出するネットワークベースの推論手法を提案する。 本手法は, 各種実験において, 最先端の手法よりも優れた検出性能を示す。
  論文  参考訳（メタデータ） (2022-09-03T16:09:05Z)
• Phishing Attacks Detection -- A Machine Learning-Based Approach [0.6445605125467573]
  フィッシング攻撃は、ユーザーのメールが機密で機密性の高い情報を不正に盗むことを目的とした、最も一般的なソーシャルエンジニアリング攻撃の1つだ。 本稿では,機械学習に基づくフィッシング攻撃検出手法を提案する。 ノースダコタ大学のメールサービスを対象とした4000件以上のフィッシングメールを収集し分析した。
  論文  参考訳（メタデータ） (2022-01-26T05:08:27Z)
• 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)
• Detecting Phishing Sites -- An Overview [0.0]
  フィッシングは、研究者が解決策を見つけようとする最も厳しいサイバー攻撃の1つだ。 フィッシングによるダメージを最小限に抑えるためには、できるだけ早く検出する必要がある。 ホワイトリスト、ブラックリスト、コンテンツベース、URLベース、ビジュアル類似性、機械学習に基づくさまざまなフィッシング検出技術がある。
  論文  参考訳（メタデータ） (2021-03-23T19:16:03Z)
• Phishing and Spear Phishing: examples in Cyber Espionage and techniques to protect against them [91.3755431537592]
  フィッシング攻撃は、2012年以降、サイバー攻撃の91%以上を突破し、オンライン詐欺で最も使われているテクニックとなっている。 本研究は, フィッシングとスピア・フィッシングによる攻撃が, 結果を大きくする5つのステップを通じて, フィッシングとスピア・フィッシングによる攻撃の実施方法についてレビューした。
  論文  参考訳（メタデータ） (2020-05-31T18:10:09Z)

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。