Fugu-MT 論文翻訳(概要): Automated Phishing Detection Using URLs and Webpages

論文の概要: Automated Phishing Detection Using URLs and Webpages

arxiv url: http://arxiv.org/abs/2408.01667v2
Date: Fri, 16 Aug 2024 03:25:51 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 17:49:17.933856
Title: Automated Phishing Detection Using URLs and Webpages
Title（参考訳）: URLとWebページを用いた自動フィッシング検出
Authors: Huilin Wang, Bryan Hooi,
Abstract要約: LLMエージェントフレームワークの開発により,従来の参照型フィッシング検出の制約に対処する。このエージェントは、Large Language Modelsを利用して、積極的にオンライン情報を取得し、活用する。我々の手法は0.945の精度で達成され、既存の解(DynaPhish)を0.445で大幅に上回っている。
参考スコア（独自算出の注目度）: 35.66275851732625
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Phishing detection is a critical cybersecurity task that involves the identification and neutralization of fraudulent attempts to obtain sensitive information, thereby safeguarding individuals and organizations from data breaches and financial loss. In this project, we address the constraints of traditional reference-based phishing detection by developing an LLM agent framework. This agent harnesses Large Language Models to actively fetch and utilize online information, thus providing a dynamic reference system for more accurate phishing detection. This innovation circumvents the need for a static knowledge base, offering a significant enhancement in adaptability and efficiency for automated security measures. The project report includes an initial study and problem analysis of existing solutions, which motivated us to develop a new framework. We demonstrate the framework with LLMs simulated as agents and detail the techniques required for construction, followed by a complete implementation with a proof-of-concept as well as experiments to evaluate our solution's performance against other similar solutions. The results show that our approach has achieved with accuracy of 0.945, significantly outperforms the existing solution(DynaPhish) by 0.445. Furthermore, we discuss the limitations of our approach and suggest improvements that could make it more effective. Overall, the proposed framework has the potential to enhance the effectiveness of current reference-based phishing detection approaches and could be adapted for real-world applications.
Abstract（参考訳）: フィッシング検出(英: Phishing detection)は、機密情報を取得する不正な試みの識別と中立化を伴い、個人や組織をデータ漏洩や財務損失から保護する重要なサイバーセキュリティタスクである。本稿では,LLMエージェントフレームワークの開発により,従来の参照型フィッシング検出の制約に対処する。このエージェントはLarge Language Modelsを利用してオンライン情報を積極的に取得し利用し、より正確なフィッシング検出のための動的参照システムを提供する。このイノベーションは静的な知識ベースの必要性を回避し、自動セキュリティ対策の適応性と効率を大幅に向上させる。プロジェクトレポートには、既存のソリューションに関する最初の研究と問題分析が含まれており、新しいフレームワークを開発する動機となった。我々は,LLMをエージェントとしてシミュレートしたフレームワークを実演し,構築に必要なテクニックを詳述し,続いて概念実証による完全な実装と,他の類似ソリューションに対するソリューションの性能評価実験を行った。その結果,本手法は0.945の精度で達成され,既存の解(DynaPhish)の0.445よりも大幅に優れていた。さらに、我々のアプローチの限界について議論し、それをより効果的にするための改善を提案する。全体として、提案フレームワークは、現在の参照ベースのフィッシング検出手法の有効性を高め、現実世界のアプリケーションに適用できる可能性を持っている。

関連論文リスト

Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文参考訳（メタデータ） (2024-07-10T09:13:11Z)
"Glue pizza and eat rocks" -- Exploiting Vulnerabilities in Retrieval-Augmented Generative Models [74.05368440735468]
Retrieval-Augmented Generative (RAG)モデルにより大規模言語モデル(LLM)が強化される本稿では,これらの知識基盤の開放性を敵が活用できるセキュリティ上の脅威を示す。
論文参考訳（メタデータ） (2024-06-26T05:36:23Z)
Dynamic Vulnerability Criticality Calculator for Industrial Control Systems [0.0]
本稿では,動的脆弱性臨界計算機を提案する革新的な手法を提案する。本手法は, 環境トポロジの分析と, 展開されたセキュリティ機構の有効性を包含する。本手法では,これらの要因を総合的なファジィ認知マップモデルに統合し,攻撃経路を組み込んで全体の脆弱性スコアを総合的に評価する。
論文参考訳（メタデータ） (2024-03-20T09:48:47Z)
Securing Federated Learning with Control-Flow Attestation: A Novel Framework for Enhanced Integrity and Resilience against Adversarial Attacks [2.28438857884398]
分散機械学習パラダイムとしてのフェデレートラーニング(FL)は、新たなサイバーセキュリティ課題を導入した。本研究では,従来サイバーセキュリティに用いられてきた制御フロー(CFA)機構にインスパイアされた,革新的なセキュリティフレームワークを提案する。我々は、ネットワーク全体にわたるモデル更新の完全性を認証し、検証し、モデル中毒や敵対的干渉に関連するリスクを効果的に軽減する。
論文参考訳（メタデータ） (2024-03-15T04:03:34Z)
Enhancing Security in Federated Learning through Adaptive Consensus-Based Model Update Validation [2.28438857884398]
本稿では,ラベルフリップ攻撃に対して,FL(Federated Learning)システムを構築するための高度なアプローチを提案する。本稿では,適応的しきい値設定機構と統合されたコンセンサスに基づく検証プロセスを提案する。以上の結果から,FLシステムのレジリエンスを高め,ラベルフリップ攻撃の顕著な緩和効果が示唆された。
論文参考訳（メタデータ） (2024-03-05T20:54:56Z)
X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System [2.556190321164248]
Intrusion Detection Systemsにおける機械学習(ML)モデルとディープラーニング(DL)モデルの使用は、不透明な意思決定による信頼の欠如につながっている。本稿では、グラフニューラルネットワーク(GNN)の構造的利点を活用して、ネットワークトラフィックデータを効率的に処理する新しい説明可能なIDS手法であるX-CBAを提案する。本手法は、脅威検出の99.47%で高精度に達成し、その分析結果の明確で実用的な説明を提供する。
論文参考訳（メタデータ） (2024-02-01T18:29:16Z)
A Generative Framework for Low-Cost Result Validation of Machine Learning-as-a-Service Inference [4.478182379059458]
FidesはML-as-a-Service(ML)推論のリアルタイム整合性検証のための新しいフレームワークである。 Fidesは、統計的分析とばらつき測定を使用して、サービスモデルが攻撃を受けている場合、高い確率で識別するクライアント側攻撃検出モデルを備えている。攻撃検出と再分類モデルの訓練のための生成的逆ネットワークフレームワークを考案した。
論文参考訳（メタデータ） (2023-03-31T19:17:30Z)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
Evaluating the Safety of Deep Reinforcement Learning Models using Semi-Formal Verification [81.32981236437395]
本稿では,区間分析に基づく半形式的意思決定手法を提案する。本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
論文参考訳（メタデータ） (2020-10-19T11:18:06Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。