論文の概要: TypoSwype: An Imaging Approach to Detect Typo-Squatting

• arxiv url: http://arxiv.org/abs/2209.00783v1
• Date: Fri, 2 Sep 2022 02:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:55:27.560576
• Title: TypoSwype: An Imaging Approach to Detect Typo-Squatting
• Title（参考訳）: TypoSwype: タイポスクワット検出のためのイメージングアプローチ
• Authors: Joon Sern Lee, Yam Gui Peng David
• Abstract要約: タイポスクワットドメインは一般的なサイバー攻撃手法である。 現在のアプローチはキーボード距離を考慮していない。 本稿では,キーボードの位置を考慮に入れた文字列を画像に変換するTypoSwypeフレームワークを提案する。
• 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: Typo-squatting domains are a common cyber-attack technique. It involves utilising domain names, that exploit possible typographical errors of commonly visited domains, to carry out malicious activities such as phishing, malware installation, etc. Current approaches typically revolve around string comparison algorithms like the Demaru-Levenschtein Distance (DLD) algorithm. Such techniques do not take into account keyboard distance, which researchers find to have a strong correlation with typical typographical errors and are trying to take account of. In this paper, we present the TypoSwype framework which converts strings to images that take into account keyboard location innately. We also show how modern state of the art image recognition techniques involving Convolutional Neural Networks, trained via either Triplet Loss or NT-Xent Loss, can be applied to learn a mapping to a lower dimensional space where distances correspond to image, and equivalently, textual similarity. Finally, we also demonstrate our method's ability to improve typo-squatting detection over the widely used DLD algorithm, while maintaining the classification accuracy as to which domain the input domain was attempting to typo-squat.
• Abstract（参考訳）: タイポスクワットドメインは一般的なサイバー攻撃手法である。 フィッシングやマルウェアのインストールなどの悪意のある活動を実行するために、一般的に訪問されるドメインのタイプミスを悪用するドメイン名を利用する。 現在のアプローチは通常、Demaru-Levenschtein Distance (DLD)アルゴリズムのような文字列比較アルゴリズムを中心に展開している。 このような手法はキーボード距離を考慮せず、研究者は典型的なタイポグラフィーの誤りと強い相関関係を持ち、考慮しようとしている。 本稿では,キーボードの位置を考慮に入れた文字列を画像に変換するTypoSwypeフレームワークを提案する。 また,Triplet Loss あるいは NT-Xent Loss によって訓練された畳み込みニューラルネットワークによる画像認識技術の現状を,距離が画像に対応する低次元空間へのマッピング,および同等のテキスト類似性を学ぶために応用できることを示す。 最後に,本手法が広く用いられているdldアルゴリズムよりもタイプポスキャッティング検出を改善する能力を示すとともに,入力領域がタイプポスキャットしようとしている領域について分類精度を維持した。

関連論文リスト

• Image Copy-Move Forgery Detection and Localization Scheme: How to Avoid Missed Detection and False Alarm [10.135979083516174]
  画像コピー-ムーブ(英: Image copy-move)は、画像の一部が同じ画像の別の部分に置き換えられる操作であり、違法な目的に使用できる。 近年の研究では、キーポイントに基づくアルゴリズムは、優れた、ロバストなローカライゼーション性能を達成している。 しかし、入力画像が低解像度である場合、既存のキーポイントベースのアルゴリズムのほとんどは、十分なキーポイントを生成するのが困難である。
  論文  参考訳（メタデータ） (2024-06-05T13:50:29Z)
• Residue-Based Natural Language Adversarial Attack Detection [1.4213973379473654]
  本研究は、逆例を識別する「レジデント」に基づく簡易な文埋め込み型検出器を提案する。 多くのタスクにおいて、移植された画像ドメイン検出器と、最先端のNLP特定検出器の状態を上回ります。
  論文  参考訳（メタデータ） (2022-04-17T17:47:47Z)
• VLAD-VSA: Cross-Domain Face Presentation Attack Detection with Vocabulary Separation and Adaptation [87.9994254822078]
  顔提示攻撃(PAD)の場合、スプーフィングキューのほとんどは微妙で局所的な画像パターンである。 VLADアグリゲーション法は,特徴空間を局所的に分割する視覚語彙を用いて局所特徴を定量化する。 提案する語彙分離法は,語彙をドメイン共有語とドメイン固有語に分割する。
  論文  参考訳（メタデータ） (2022-02-21T15:27:41Z)
• CDistNet: Perceiving Multi-Domain Character Distance for Robust Text Recognition [87.3894423816705]
  本稿では,MDCDP (Multi-Domain Character Distance Perception) と呼ばれる新しいモジュールを提案する。 MDCDPは位置埋め込みを使用して、クロスアテンションメカニズムに従って視覚的特徴と意味的特徴の両方を問合せする。 我々は、複数のMDCDPを積み重ねたCDistNetを開発し、徐々に正確な距離モデリングをガイドする。
  論文  参考訳（メタデータ） (2021-11-22T06:27:29Z)
• D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and Localization [108.8592577019391]
  画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。 画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。 D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-03T10:54:02Z)
• CMT in TREC-COVID Round 2: Mitigating the Generalization Gaps from Web to Special Domain Search [89.48123965553098]
  本稿では,特殊領域適応問題を緩和する探索システムを提案する。 このシステムは、ドメイン適応型事前学習と数発の学習技術を利用して、ニューラルネットワークがドメインの不一致を軽減するのに役立つ。 本システムでは,TREC-COVID タスクの第2ラウンドにおいて,非マニュアル実行において最善を尽くす。
  論文  参考訳（メタデータ） (2020-11-03T09:10:48Z)
• COCO-FUNIT: Few-Shot Unsupervised Image Translation with a Content Conditioned Style Encoder [70.23358875904891]
  教師なし画像画像変換は、与えられた領域内の画像と異なる領域内の類似画像とのマッピングを学習することを目的としている。 入力画像に条件付けされたサンプル画像のスタイル埋め込みを計算し、新しい数ショット画像変換モデルCOCO-FUNITを提案する。 本モデルは,コンテンツ損失問題に対処する上での有効性を示す。
  論文  参考訳（メタデータ） (2020-07-15T02:01:14Z)
• Code-Aligned Autoencoders for Unsupervised Change Detection in Multimodal Remote Sensing Images [18.133760118780128]
  畳み込み型オートエンコーダを用いた画像翻訳は、最近、バイテンポラル衛星画像におけるマルチモーダル変化検出のアプローチとして使われている。 主な課題は、変換関数の学習に対する変更画素の寄与を減らすことで、コード空間のアライメントである。 本稿では,ドメイン固有親和性行列が入力時に取得した関係画素情報を抽出し,これを用いてコード空間のアライメントを強制する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-15T11:24:51Z)
• CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
  教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。 本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。