Fugu-MT 論文翻訳(概要): Phishing URL Detection using Bi-LSTM

論文の概要: Phishing URL Detection using Bi-LSTM

arxiv url: http://arxiv.org/abs/2504.21049v1
Date: Tue, 29 Apr 2025 00:55:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-10 00:05:47.92854
Title: Phishing URL Detection using Bi-LSTM
Title（参考訳）: Bi-LSTMを用いたフィッシングURL検出
Authors: Sneha Baskota,
Abstract要約: 本稿では,URLを4つのカテゴリに分類する深層学習に基づくアプローチを提案する。 650,000以上のURLからなるデータセットの実験結果は、モデルの有効性を示し、97%の精度と従来の技術よりも大幅に改善された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Phishing attacks threaten online users, often leading to data breaches, financial losses, and identity theft. Traditional phishing detection systems struggle with high false positive rates and are usually limited by the types of attacks they can identify. This paper proposes a deep learning-based approach using a Bidirectional Long Short-Term Memory (Bi-LSTM) network to classify URLs into four categories: benign, phishing, defacement, and malware. The model leverages sequential URL data and captures contextual information, improving the accuracy of phishing detection. Experimental results on a dataset comprising over 650,000 URLs demonstrate the model's effectiveness, achieving 97% accuracy and significant improvements over traditional techniques.
Abstract（参考訳）: フィッシング攻撃はオンラインユーザーを脅かし、しばしばデータ漏洩、金銭的損失、ID盗難につながる。従来のフィッシング検出システムは、高い偽陽性率に悩まされ、通常、特定できる攻撃の種類によって制限される。本稿では、双方向長短期メモリ(Bidirectional Long Short-Term Memory, Bi-LSTM)ネットワークを用いて、URLを良性、フィッシング、偽装、マルウェアの4つのカテゴリに分類する深層学習に基づくアプローチを提案する。このモデルはシーケンシャルなURLデータを活用し、コンテキスト情報をキャプチャし、フィッシング検出の精度を向上させる。 650,000以上のURLからなるデータセットの実験結果は、モデルの有効性を示し、97%の精度と従来の技術よりも大幅に改善された。

関連論文リスト

EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。既存のディープラーニング技術と同等ですが、説明性が向上しています。自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
論文参考訳（メタデータ） (2025-03-22T23:37:35Z)
Web Phishing Net (WPN): A scalable machine learning approach for real-time phishing campaign detection [0.0]
現在、フィッシングはサイバー攻撃の最も一般的なタイプであり、データ漏洩の主な原因と認識されている。本稿では,高速かつスケーラブルな教師なし学習手法を提案する。ユーザのプライバシを保護しながら、高い検出率でキャンペーン全体を検出することができる。
論文参考訳（メタデータ） (2025-02-17T15:06:56Z)
Efficient Phishing URL Detection Using Graph-based Machine Learning and Loopy Belief Propagation [12.89058029173131]
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。
論文参考訳（メタデータ） (2025-01-12T19:49:00Z)
Efficient Backdoor Defense in Multimodal Contrastive Learning: A Token-Level Unlearning Method for Mitigating Threats [52.94388672185062]
本稿では,機械学習という概念を用いて,バックドアの脅威に対する効果的な防御機構を提案する。これは、モデルがバックドアの脆弱性を迅速に学習するのを助けるために、小さな毒のサンプルを戦略的に作成することを必要とする。バックドア・アンラーニング・プロセスでは,新しいトークン・ベースの非ラーニング・トレーニング・システムを提案する。
論文参考訳（メタデータ） (2024-09-29T02:55:38Z)
The Performance of Sequential Deep Learning Models in Detecting Phishing Websites Using Contextual Features of URLs [0.0]
本研究では,マルチヘッド・アテンション,テンポラル・コンボリューショナル・ネットワーク(TCN),BI-LSTM,LSTMといった深層学習モデルを用いたフィッシングサイトの検出に焦点を当てた。以上の結果から,マルチヘッド注意モデルとBI-LSTMモデルは,TCNやLSTMといった他の深層学習アルゴリズムよりも精度,リコール,F1スコアが優れていることが示された。
論文参考訳（メタデータ） (2024-04-15T13:58:22Z)
A Sophisticated Framework for the Accurate Detection of Phishing Websites [0.0]
フィッシング(英: Phishing)は、ますます洗練されたサイバー攻撃形態であり、世界中の企業に巨額の経済的損害を与えている。本稿では,フィッシングサイトを検出するための包括的手法を提案する。特徴選択, 欲求アルゴリズム, クロスバリデーション, 深層学習を組み合わせて, 洗練された積み重ねアンサンブルを構築している。
論文参考訳（メタデータ） (2024-03-13T14:26:25Z)
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)
Protecting Model Adaptation from Trojans in the Unlabeled Data [120.42853706967188]
本稿では,よく設計された毒物標的データによるモデル適応に対するトロイの木馬攻撃の可能性について検討する。本稿では,既存の適応アルゴリズムとシームレスに統合可能なDiffAdaptというプラグイン・アンド・プレイ手法を提案する。
論文参考訳（メタデータ） (2024-01-11T16:42:10Z)
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)
Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
論文参考訳（メタデータ） (2023-06-06T11:44:42Z)
IMBERT: Making BERT Immune to Insertion-based Backdoor Attacks [45.81957796169348]
バックドア攻撃は、機械学習モデルに対する汚いセキュリティ脅威だ。 IMBERTは、被害者モデルから得られた勾配または自己注意スコアを用いて、バックドア攻撃に対する自己防衛を行う。我々の実証研究は、IMBERTが挿入されたトリガーの98.5%を効果的に識別できることを示した。
論文参考訳（メタデータ） (2023-05-25T22:08:57Z)
Deep convolutional forest: a dynamic deep ensemble approach for spam detection in text [219.15486286590016]
本稿では,スパム検出のための動的深層アンサンブルモデルを提案する。その結果、このモデルは高い精度、リコール、f1スコア、98.38%の精度を達成した。
論文参考訳（メタデータ） (2021-10-10T17:19:37Z)
Phishing and Spear Phishing: examples in Cyber Espionage and techniques to protect against them [91.3755431537592]
フィッシング攻撃は、2012年以降、サイバー攻撃の91%以上を突破し、オンライン詐欺で最も使われているテクニックとなっている。本研究は, フィッシングとスピア・フィッシングによる攻撃が, 結果を大きくする5つのステップを通じて, フィッシングとスピア・フィッシングによる攻撃の実施方法についてレビューした。
論文参考訳（メタデータ） (2020-05-31T18:10:09Z)

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。