論文の概要: PMANet: Malicious URL detection via post-trained language model guided multi-level feature attention network

• arxiv url: http://arxiv.org/abs/2311.12372v2
• Date: Fri, 21 Mar 2025 12:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:52:25.003858
• Title: PMANet: Malicious URL detection via post-trained language model guided multi-level feature attention network
• Title（参考訳）: PMANet: 訓練後言語モデルによる多段階特徴注意ネットワークによる悪意のあるURL検出
• Authors: Ruitong Liu, Yanbin Wang, Haitao Xu, Zhan Qin, Fan Zhang, Yiwei Liu, Zheng Cao,
• Abstract要約: PMANetは,事前学習型言語モデル誘導型マルチレベル特徴注意ネットワークである。 PMANetは、マスク付き言語モデリング、ノイズの多い言語モデリング、ドメイン識別という、3つの自己組織化された目標を持つポストトレーニングプロセスを採用している。 小規模データ、クラス不均衡、敵攻撃を含む様々なシナリオの実験は、PMANetが最先端モデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.73322002436809
• License:
• Abstract: The proliferation of malicious URLs has made their detection crucial for enhancing network security. While pre-trained language models offer promise, existing methods struggle with domain-specific adaptability, character-level information, and local-global encoding integration. To address these challenges, we propose PMANet, a pre-trained Language Model-Guided multi-level feature attention network. PMANet employs a post-training process with three self-supervised objectives: masked language modeling, noisy language modeling, and domain discrimination, effectively capturing subword and character-level information. It also includes a hierarchical representation module and a dynamic layer-wise attention mechanism for extracting features from low to high levels. Additionally, spatial pyramid pooling integrates local and global features. Experiments on diverse scenarios, including small-scale data, class imbalance, and adversarial attacks, demonstrate PMANet's superiority over state-of-the-art models, achieving a 0.9941 AUC and correctly detecting all 20 malicious URLs in a case study. Code and data are available at https://github.com/Alixyvtte/Malicious-URL-Detection-PMANet.
• Abstract（参考訳）: 悪意のあるURLの拡散は、ネットワークセキュリティを強化するためにその検出を重要視している。 事前訓練された言語モデルは約束を提供するが、既存のメソッドはドメイン固有の適応性、文字レベル情報、ローカル-グローバルエンコーディングの統合に苦慮している。 これらの課題に対処するため,事前学習型言語モデル誘導型マルチレベル特徴注意ネットワークであるPMANetを提案する。 PMANetは、マスク付き言語モデリング、ノイズの多い言語モデリング、ドメイン識別という3つの自己組織化された目標を持つポストトレーニングプロセスを採用し、単語と文字レベルの情報を効果的にキャプチャする。 また、階層的な表現モジュールと、低レベルから高レベルまでの特徴を抽出する動的レイヤワイドアテンション機構も備えている。 さらに、空間ピラミッドプーリングは局所的特徴と大域的特徴を統合している。 小規模データ、クラス不均衡、敵攻撃を含む様々なシナリオの実験は、PMANetが最先端のモデルよりも優れていることを実証し、0.9941 AUCを達成し、ケーススタディで20の悪意のあるURLを正しく検出した。 コードとデータはhttps://github.com/Alixyvtte/Malicious-URL-Detection-PMANetで公開されている。

関連論文リスト

• Pruning Deep Convolutional Neural Network Using Conditional Mutual Information [10.302118493842647]
  畳み込みニューラルネットワーク(CNN)は、画像分類タスクにおいて高い性能を達成するが、リソース制限ハードウェアへのデプロイは困難である。 本稿では,各層における最も情報性の高い特徴を識別し,選択的に保持するCNNに対して,構造化されたフィルタ解析手法を提案する。
  論文  参考訳（メタデータ） (2024-11-27T18:23:59Z)
• An Advanced Deep Learning Based Three-Stream Hybrid Model for Dynamic Hand Gesture Recognition [1.7985212575295124]
  本稿では,RGBピクセルとスケルトンベースの特徴を組み合わせた3ストリームハイブリッドモデルを提案する。 手順では、拡張を含むデータセットを前処理し、回転、翻訳、独立系をスケールしました。 主に,画素ベースの深層学習機能とpos推定ベースの積み重ね深層学習機能を利用して,強力な特徴ベクトルを作成した。
  論文  参考訳（メタデータ） (2024-08-15T09:05:00Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• PyraTrans: Attention-Enriched Pyramid Transformer for Malicious URL Detection [9.873643699502853]
  PyraTransは、事前訓練されたトランスフォーマーとピラミッド特徴学習を統合して、悪意のあるURLを検出する新しい方法である。 いくつかの挑戦的な実験シナリオにおいて、提案手法は精度、一般化、堅牢性を著しく改善した。
  論文  参考訳（メタデータ） (2023-12-01T11:27:00Z)
• M$^3$Net: Multilevel, Mixed and Multistage Attention Network for Salient Object Detection [22.60675416709486]
  M$3$Netは、Salient Object Detectionのためのアテンションネットワークである。 マルチレベル特徴間の相互作用を実現するためのクロスアテンションアプローチ。 Mixed Attention Blockは、グローバルレベルとローカルレベルの両方でコンテキストをモデリングすることを目的としている。 集約された特徴をステージごとに最適化するためのマルチレベル監視戦略。
  論文  参考訳（メタデータ） (2023-09-15T12:46:14Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Bifurcated backbone strategy for RGB-D salient object detection [168.19708737906618]
  我々は、RGB-Dの高次物体検出に固有のマルチモーダル・マルチレベルの性質を活用して、新しいカスケードリファインメントネットワークを考案する。 アーキテクチャは Bifurcated Backbone Strategy Network (BBS-Net) と呼ばれ、シンプルで効率的でバックボーンに依存しない。
  論文  参考訳（メタデータ） (2020-07-06T13:01:30Z)
• Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
  本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。 HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。 提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
  論文  参考訳（メタデータ） (2020-03-07T10:06:47Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。