Fugu-MT 論文翻訳(概要): Precise URL Phishing Detection Using Neural Networks

論文の概要: Precise URL Phishing Detection Using Neural Networks

arxiv url: http://arxiv.org/abs/2110.13424v1
Date: Tue, 26 Oct 2021 05:55:53 GMT
ステータス: 処理完了
システム内更新日: 2021-10-28 04:11:10.144799
Title: Precise URL Phishing Detection Using Neural Networks
Title（参考訳）: ニューラルネットワークを用いた高精度URLフィッシング検出
Authors: Aman Rangapur, Dr Ajith Jubilson
Abstract要約: 我々は、ニューラルネットワークを用いて、最先端の芸術的精度で、このような悪意のあるURLを検出する方法を提示する。 Webコンテンツ、URL、トラフィック統計を検査する以前の研究とは違って、私たちはURLテキストのみを分析します。ネットワークは最適化されており、Ras-Piのような小さなデバイスでも性能が変更されることなく使用できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the development of the Internet, ways of obtaining important data such as passwords and logins or sensitive personal data have increased. One of the ways to extract such information is page impersonation, also called phishing. Such websites do not provide service but collect sensitive details from the user. Here, we present you with ways to detect such malicious URLs with state of art accuracy with neural networks. Different from previous works, where web content, URL or traffic statistics are examined, we analyse only the URL text, making it faster and which detects zero-day attacks. The network is optimised and can be used even on small devices such as Ras-Pi without a change in performance.
Abstract（参考訳）: インターネットの発展に伴い、パスワードやログイン、機密データなどの重要なデータを取得する方法が増加している。このような情報を抽出する方法の1つは、フィッシング(phishing)とも呼ばれるページ偽造である。このようなWebサイトはサービスを提供しないが、ユーザから機密情報を収集する。本稿では,このような悪質なurlをニューラルネットワークを用いて精度良く検出する方法を提案する。 Webコンテンツ、URL、トラフィック統計を検査する以前の研究とは異なり、私たちはURLテキストのみを分析し、より速く、ゼロデイ攻撃を検出する。ネットワークは最適化され、ras-piのような小さなデバイスでも性能が変化せずに使用できる。

関連論文リスト

PhishIntel: Toward Practical Deployment of Reference-Based Phishing Detection [33.98293686647553]
PhishIntelは、現実世界のデプロイメントのためのエンドツーエンドのフィッシング検出システムである。検出プロセスを、ローカルのブラックリストと結果キャッシュをチェックする高速タスクと、オンラインのブラックリスト検証、URLクローリング、Webページ分析を実行する遅いタスクの2つに分割する。この高速スロータスクシステムアーキテクチャは、参照ベースのフィッシング検出器の堅牢な検出能力を保ちながら、低応答レイテンシを保証する。
論文参考訳（メタデータ） (2024-12-12T08:33:39Z)
Can Features for Phishing URL Detection Be Trusted Across Diverse Datasets? A Case Study with Explainable AI [0.0]
フィッシング(Phishing)は、ユーザーを操り、偽装戦術によって機密性の高い個人情報を暴露するサイバー脅威として広く利用されている。フィッシングURL(またはウェブサイト)を積極的に検出することは、広く受け入れられた防衛アプローチとして確立されている。公開されている2つのフィッシングURLデータセットを分析し、それぞれのデータセットにはURL文字列とWebサイトコンテンツに関連する独自の、重複した機能セットがあります。
論文参考訳（メタデータ） (2024-11-14T21:07:52Z)
PhishNet: A Phishing Website Detection Tool using XGBoost [1.777434178384403]
PhisNetは最先端のWebアプリケーションで、高度な機械学習を使ってフィッシングサイトを検出するように設計されている。個人や組織が堅牢なAIフレームワークを通じてフィッシング攻撃を特定し予防することを目的としている。
論文参考訳（メタデータ） (2024-06-29T21:31:13Z)
REVS: Unlearning Sensitive Information in Language Models via Rank Editing in the Vocabulary Space [35.61862064581971]
言語モデル(LM)は、トレーニングデータに見られる機密情報や個人識別可能な情報(PII)を不注意に記憶・拡散し、プライバシー上の懸念を引き起こすリスクがある。 LMから機密情報を学習する非段階的手法であるREVSを提案する。
論文参考訳（メタデータ） (2024-06-13T17:02:32Z)
PhishGuard: A Convolutional Neural Network Based Model for Detecting Phishing URLs with Explainability Analysis [1.102674168371806]
フィッシングURLの識別は、この問題に対処する最善の方法だ。フィッシングURLの検出を自動化するために,機械学習と深層学習の手法が提案されている。本稿では,1次元畳み込みニューラルネットワーク(CNN)を提案する。
論文参考訳（メタデータ） (2024-04-27T17:13:49Z)
Cleaner Pretraining Corpus Curation with Neural Web Scraping [39.97459187762505]
本稿では,Webページから一次的かつクリーンなテキストコンテンツを抽出するための,シンプルで高速かつ効果的なNeuScraper(NeuScraper)を提案する。実験結果から,NeuScraperは20%以上の改善を達成し,ベースラインスクラップラーを上回ることがわかった。
論文参考訳（メタデータ） (2024-02-22T16:04:03Z)
Synthetic-To-Real Video Person Re-ID [57.937189569211505]
人物再識別(Re-ID)は重要な課題であり、公衆の安全と情報法医学に重要な応用がある。本稿では、Re-IDの新規かつ挑戦的な設定、すなわちドメイン間ビデオベースの人物Re-IDについて検討する。我々は、テストのためのトレーニングや実世界のビデオのソースドメインとして、合成ビデオデータセットを使用します。
論文参考訳（メタデータ） (2024-02-03T10:19:21Z)
SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。性能を損なうことなく、さらに(最大40%)削減できることを示す。
論文参考訳（メタデータ） (2023-07-20T08:38:50Z)
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)
PhishMatch: A Layered Approach for Effective Detection of Phishing URLs [8.658596218544774]
We present a layered anti-phishing defense, PhishMatch, which is robust, accurate, expensive, and client-side。 Chromeブラウザ用に開発されたPhishMatchのプロトタイププラグインは、高速で軽量であることが判明した。
論文参考訳（メタデータ） (2021-12-04T03:21:29Z)
Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文参考訳（メタデータ） (2020-03-13T15:34:33Z)

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。