論文の概要: A Predicting Phishing Websites Using Support Vector Machine and MultiClass Classification Based on Association Rule Techniques
- arxiv url: http://arxiv.org/abs/2505.21141v1
- Date: Tue, 27 May 2025 12:52:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-28 17:05:58.654996
- Title: A Predicting Phishing Websites Using Support Vector Machine and MultiClass Classification Based on Association Rule Techniques
- Title（参考訳）: 支援ベクトルマシンとアソシエーションルールに基づく複数クラス分類を用いた養殖ウェブサイトの予測
- Authors: Nancy C. Woods, Virtue Ene Agada, Adebola K. Ojo,
- Abstract要約: 本研究では,2つのアルゴリズム,SVM(Support Vector Machines)とMCAR(Multi-class Classification Rules)を統合することにより,フィッシングWebサイトを予測する強力な,より優れた方法を確立することに関心がある。
このアプローチの有効性を検証するために,PhishTankディレクトリとyahooディレクトリから合計11,056のWebサイトを使用した。
その結果,最小誤差率で計算時間2205.33sで98.30%の分類精度を達成した。
- 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 is a semantic attack which targets the user rather than the computer. It is a new Internet crime in comparison with other forms such as virus and hacking. Considering the damage phishing websites has caused to various economies by collapsing organizations, stealing information and financial diversion, various researchers have embarked on different ways of detecting phishing websites but there has been no agreement about the best algorithm to be used for prediction. This study is interested in integrating the strengths of two algorithms, Support Vector Machines (SVM) and Multi-Class Classification Rules based on Association Rules (MCAR) to establish a strong and better means of predicting phishing websites. A total of 11,056 websites were used from both PhishTank and yahoo directory to verify the effectiveness of this approach. Feature extraction and rules generation were done by the MCAR technique; classification and prediction were done by SVM technique. The result showed that the technique achieved 98.30% classification accuracy with a computation time of 2205.33s with minimum error rate. It showed a total of 98% Area under the Curve (AUC) which showed the proportion of accuracy in classifying phishing websites. The model showed 82.84% variance in the prediction of phishing websites based on the coefficient of determination. The use of two techniques together in detecting phishing websites produced a more accurate result as it combined the strength of both techniques respectively. This research work centralized on this advantage by building a hybrid of two techniques to help produce a more accurate result.
- Abstract（参考訳）: フィッシング(英: Phishing)とは、コンピュータではなくユーザーを狙うセマンティックアタックである。
これは、ウイルスやハッキングといった他の形態と比較しても、新しいインターネット犯罪である。
フィッシングウェブサイトの被害は、組織を崩壊させ、情報を盗み、経済の混乱を招き、様々な研究者がフィッシングサイトを検知する方法を模索してきたが、予測に最適なアルゴリズムについては合意が得られていない。
本研究は,アソシエーションルール(MCAR)に基づくSVM(Support Vector Machines)とマルチクラス分類ルール(Multi-class Classification Rules)の2つのアルゴリズムの長所を統合することに興味を持ち,フィッシングサイトを予測する強力な,より優れた手段を確立する。
このアプローチの有効性を検証するために,PhishTankディレクトリとyahooディレクトリから合計11,056のWebサイトを使用した。
特徴抽出と規則生成はMCAR法で行い,分類と予測はSVM法で行った。
その結果,最小誤差率で計算時間2205.33sで98.30%の分類精度を達成した。
The Curve (AUC) では98%の面積を示し、フィッシングサイトを分類する際の精度の比率を示した。
このモデルは、決定係数に基づいてフィッシングウェブサイトの予測において82.84%のばらつきを示した。
フィッシングサイトの検出に2つのテクニックを併用することにより,両テクニックの強度をそれぞれ組み合わせることで,より正確な結果が得られた。
この研究は、より正確な結果を生み出すために、2つのテクニックのハイブリッドを構築することで、この利点を集中的に研究する。
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) - Next Generation of Phishing Attacks using AI powered Browsers [0.0]
精度98.32%、精度98.62%、リコール97.86%、F1スコア98.24%であった。
15日間にわたるゼロデイフィッシング攻撃検出テストでは、以前は目に見えない脅威を識別するモデルの能力が明らかにされた。
このモデルは、Googleの安全なブラウジングによる検出を回避したフィッシングURLをうまく検出した。
論文 参考訳（メタデータ） (2024-06-18T12:24:36Z) - 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) - PhishSim: Aiding Phishing Website Detection with a Feature-Free Tool [12.468922937529966]
正規化圧縮距離(NCD)を用いたフィッシングサイト検出のための機能フリー手法を提案する。
この尺度は2つのウェブサイトの類似性を圧縮することで計算し、特徴抽出を行う必要がなくなる。
我々はFurthest Point Firstアルゴリズムを用いてフィッシングプロトタイプ抽出を行い、フィッシングWebページのクラスタを表すインスタンスを選択する。
論文 参考訳（メタデータ） (2022-07-13T20:44:03Z) - 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) - Sample Efficient Detection and Classification of Adversarial Attacks via
Self-Supervised Embeddings [40.332149464256496]
ディープモデルのアドリヤロバスト性は、現実世界の環境において安全な配置を確保する上で重要な要素である。
本稿では、敵攻撃を検知し、それらの脅威モデルに分類する自己教師型手法を提案する。
我々は,SimCLRエンコーダを実験で使用しています。
論文 参考訳（メタデータ） (2021-08-30T16:39:52Z) - Detecting Phishing Sites -- An Overview [0.0]
フィッシングは、研究者が解決策を見つけようとする最も厳しいサイバー攻撃の1つだ。
フィッシングによるダメージを最小限に抑えるためには、できるだけ早く検出する必要がある。
ホワイトリスト、ブラックリスト、コンテンツベース、URLベース、ビジュアル類似性、機械学習に基づくさまざまなフィッシング検出技術がある。
論文 参考訳（メタデータ） (2021-03-23T19:16:03Z) - Adversarially robust deepfake media detection using fused convolutional
neural network predictions [79.00202519223662]
現在のディープフェイク検出システムは、目に見えないデータと戦っている。
ビデオから抽出した偽画像と実画像の分類には,CNN(Deep Convolutional Neural Network)モデルが3種類採用されている。
提案手法は96.5%の精度で最先端のモデルより優れている。
論文 参考訳（メタデータ） (2021-02-11T11:28:00Z) - 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) - 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) - High Accuracy Phishing Detection Based on Convolutional Neural Networks [0.0]
本研究では,フィッシングサイトを高精度に検出する深層学習手法を提案する。
提案手法は畳み込みニューラルネットワーク(CNN)を用いて高精度な分類を行う。
我々は6,157件の真偽と4,898件のフィッシングサイトから得られたデータセットを用いてモデルを評価する。
論文 参考訳（メタデータ） (2020-04-08T12:20:14Z)
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。