論文の概要: Efficient Phishing URL Detection Using Graph-based Machine Learning and Loopy Belief Propagation

• arxiv url: http://arxiv.org/abs/2501.06912v1
• Date: Sun, 12 Jan 2025 19:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:20:14.084581
• Title: Efficient Phishing URL Detection Using Graph-based Machine Learning and Loopy Belief Propagation
• Title（参考訳）: グラフベース機械学習とループ的信念伝播を用いた効率的なフィッシングURL検出
• Authors: Wenye Guo, Qun Wang, Hao Yue, Haijian Sun, Rose Qingyang Hu,
• Abstract要約: フィッシングURL検出のためのグラフベース機械学習モデルを提案する。 我々は、IPアドレスや権威名サーバのようなURL構造とネットワークレベルの機能を統合する。 実世界のデータセットの実験は、F1スコアを98.77%まで達成することで、我々のモデルの有効性を実証している。
• 参考スコア（独自算出の注目度）: 12.89058029173131
• License:
• Abstract: The proliferation of mobile devices and online interactions have been threatened by different cyberattacks, where phishing attacks and malicious Uniform Resource Locators (URLs) pose significant risks to user security. Traditional phishing URL detection methods primarily rely on URL string-based features, which attackers often manipulate to evade detection. To address these limitations, we propose a novel graph-based machine learning model for phishing URL detection, integrating both URL structure and network-level features such as IP addresses and authoritative name servers. Our approach leverages Loopy Belief Propagation (LBP) with an enhanced convergence strategy to enable effective message passing and stable classification in the presence of complex graph structures. Additionally, we introduce a refined edge potential mechanism that dynamically adapts based on entity similarity and label relationships to further improve classification accuracy. Comprehensive experiments on real-world datasets demonstrate our model's effectiveness by achieving F1 score of up to 98.77\%. This robust and reproducible method advances phishing detection capabilities, offering enhanced reliability and valuable insights in the field of cybersecurity.
• Abstract（参考訳）: モバイルデバイスの普及とオンラインインタラクションは、フィッシング攻撃と悪意のあるUniform Resource Locators(URL)がユーザセキュリティに重大なリスクをもたらす、さまざまなサイバー攻撃によって脅かされている。 従来のフィッシングURL検出手法は主にURL文字列ベースの機能に依存しており、攻撃者は検出を避けるためにしばしば操作する。 これらの制限に対処するために、新しいグラフベース機械学習モデルを提案し、URL構造とIPアドレスや権威名サーバのようなネットワークレベルの機能を統合する。 提案手法は,LBP(Loopy Belief Propagation)を利用して,複雑なグラフ構造が存在する場合の効果的なメッセージパッシングと安定した分類を可能にする。 さらに,分類精度を向上させるために,エンティティの類似性やラベルの関係に基づいて動的に適応する改良されたエッジ電位機構を導入する。 実世界のデータセットに関する総合的な実験は、最大98.77\%のF1スコアを達成し、我々のモデルの有効性を実証する。 この堅牢で再現可能な方法はフィッシング検出能力を向上し、サイバーセキュリティ分野における信頼性と貴重な洞察を提供する。

関連論文リスト

• A New Dataset and Methodology for Malicious URL Classification [2.835223467109843]
  悪意のあるURL(Uniform Resource Locator)分類はサイバーセキュリティの重要な側面であり、Webベースの脅威に対する防御を提供する。 この分野でのディープラーニングの約束にもかかわらず、その進歩は、包括的なオープンソースデータセットの不足と、既存のモデルの制限という、2つの大きな課題によって妨げられている。 悪意のあるURL分類のための新しいマルチクラスデータセットを導入し、良性、フィッシング、悪意のあるURLを区別する。
  論文  参考訳（メタデータ） (2024-12-31T09:10:38Z)
• 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)
• 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)
• 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)
• AntiPhishStack: LSTM-based Stacked Generalization Model for Optimized Phishing URL Detection [0.32141666878560626]
  本稿では,フィッシングサイトを検出するための2相スタック一般化モデルであるAntiPhishStackを提案する。 このモデルは、URLと文字レベルのTF-IDF特徴の学習を対称的に活用し、新たなフィッシング脅威に対処する能力を高める。 良性およびフィッシングまたは悪意のあるURLを含む2つのベンチマークデータセットに対する実験的検証は、既存の研究と比較して96.04%の精度で、このモデルの例外的な性能を示している。
  論文  参考訳（メタデータ） (2024-01-17T03:44:27Z)
• FLTracer: Accurate Poisoning Attack Provenance in Federated Learning [38.47921452675418]
  Federated Learning(FL)は、複数のクライアントが共同で共有グローバルモデルをトレーニングできる、有望な分散学習アプローチである。 近年の研究では、FLは様々な毒殺攻撃に弱いことが示されており、グローバルモデルの性能を低下させるか、バックドアを導入することができる。 FLTracerは、様々な攻撃を正確に検出し、攻撃時間、目的、タイプ、および更新の有毒な位置を追跡できる最初のFL攻撃フレームワークである。
  論文  参考訳（メタデータ） (2023-10-20T11:24:38Z)
• Streamlining Attack Tree Generation: A Fragment-Based Approach [39.157069600312774]
  本稿では,公開情報セキュリティデータベースの情報を活用した,フラグメントベースのアタックグラフ生成手法を提案する。 また,攻撃グラフ生成手法として,攻撃モデリングのためのドメイン固有言語を提案する。
  論文  参考訳（メタデータ） (2023-10-01T12:41:38Z)
• Adaptive Attack Detection in Text Classification: Leveraging Space Exploration Features for Text Sentiment Classification [44.99833362998488]
  敵のサンプル検出は、特に急速に進化する攻撃に直面して、適応的なサイバー防御において重要な役割を果たす。 本稿では,BERT(Bidirectional Representations from Transformers)のパワーを活用し,空間探索機能(Space Exploration Features)の概念を提案する。
  論文  参考訳（メタデータ） (2023-08-29T23:02:26Z)
• 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)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• An Automated, End-to-End Framework for Modeling Attacks From Vulnerability Descriptions [46.40410084504383]
  関連するアタックグラフを導出するためには、既知のアタック技術に関する最新情報をインタラクションルールとして表現する必要がある。 本稿では,セキュリティ脆弱性のテキスト記述から新たな攻撃テクニックをモデル化するための,エンドツーエンドで自動化された新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-10T19:27:34Z)

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。