論文の概要: PhishSSL: Self-Supervised Contrastive Learning for Phishing Website Detection
- arxiv url: http://arxiv.org/abs/2510.05900v1
- Date: Tue, 07 Oct 2025 13:07:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-08 17:57:08.262589
- Title: PhishSSL: Self-Supervised Contrastive Learning for Phishing Website Detection
- Title（参考訳）: PhishSSL: フィッシングサイト検出のための自己監督型コントラスト学習
- Authors: Wenhao Li, Selvakumar Manickam, Yung-Wey Chong, Shankar Karuppayah, Priyadarsi Nanda, Binyong Li,
- Abstract要約: フィッシングサイトは、正当なサイトを模倣してユーザー情報を盗む。
既存の機械学習に基づく検出方法はラベル付きデータによる教師付き学習に依存している。
我々は、学習中にラベル付きフィッシングデータを必要としない自己教師付きコントラスト学習フレームワークであるPhishSSLを提案する。
- 参考スコア（独自算出の注目度）: 7.006302905071325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phishing websites remain a persistent cybersecurity threat by mimicking legitimate sites to steal sensitive user information. Existing machine learning-based detection methods often rely on supervised learning with labeled data, which not only incurs substantial annotation costs but also limits adaptability to novel attack patterns. To address these challenges, we propose PhishSSL, a self-supervised contrastive learning framework that eliminates the need for labeled phishing data during training. PhishSSL combines hybrid tabular augmentation with adaptive feature attention to produce semantically consistent views and emphasize discriminative attributes. We evaluate PhishSSL on three phishing datasets with distinct feature compositions. Across all datasets, PhishSSL consistently outperforms unsupervised and self-supervised baselines, while ablation studies confirm the contribution of each component. Moreover, PhishSSL maintains robust performance despite the diversity of feature sets, highlighting its strong generalization and transferability. These results demonstrate that PhishSSL offers a promising solution for phishing website detection, particularly effective against evolving threats in dynamic Web environments.
- Abstract（参考訳）: フィッシングサイトは、合法的なサイトを模倣して機密性の高いユーザー情報を盗むという、永続的なサイバーセキュリティの脅威のままだ。
既存の機械学習ベースの検出方法は、ラベル付きデータによる教師付き学習に頼っていることが多い。
これらの課題に対処するために、トレーニング中にラベル付きフィッシングデータを必要としない自己教師付きコントラスト学習フレームワークであるPhishSSLを提案する。
PhishSSLは、ハイブリッドな表層拡張と適応的な特徴注意を組み合わせることで、意味的に一貫したビューを生成し、差別的な属性を強調する。
特徴組成の異なる3つのフィッシングデータセット上でPhishSSLを評価する。
すべてのデータセットで、PhishSSLは教師なしと自己教師なしのベースラインを一貫して上回り、アブレーション研究は各コンポーネントのコントリビューションを確認している。
さらに、PhishSSLは機能セットの多様性にもかかわらず堅牢なパフォーマンスを維持しており、その強力な一般化と転送性を強調している。
これらの結果は、PhishSSLがWebサイトの検出をフィッシングするための有望なソリューションであり、特に動的Web環境における脅威の進化に対して有効であることを示している。
関連論文リスト
- ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。
最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。
ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
論文 参考訳（メタデータ） (2026-02-28T07:25:32Z) - Characterizing Phishing Pages by JavaScript Capabilities [77.64740286751834]
本論文は,フィッシングページのグループを自動的に識別し,研究者やアナリストを支援することを目的としている。
キット検出の精度は,4,562個のフィッシングURLに展開した548個のキット群に対して97%であった。
UIの対話性と基本的なフィンガープリントは、クラスタの90%と80%に存在する普遍的なテクニックであることが分かりました。
論文 参考訳（メタデータ） (2025-09-16T15:39:23Z) - SoK: Large Language Model-Generated Textual Phishing Campaigns End-to-End Analysis of Generation, Characteristics, and Detection [3.7549350220109274]
大規模言語モデル(LLM)は、数分で大規模なPhishing-as-a-Service'攻撃を可能にする。
LLMによるフィッシング攻撃の研究が増えているにもかかわらず、フィッシング攻撃のライフサイクルに関する体系的な研究は依然として乏しい。
我々は,LLM生成フィッシングにおける知識の体系化(SoK)を行い,生成技術,攻撃特徴,緩和戦略にまたがるエンド・ツー・エンド分析を行う。
論文 参考訳（メタデータ） (2025-08-29T09:39:46Z) - PhishParrot: LLM-Driven Adaptive Crawling to Unveil Cloaked Phishing Sites [2.6217304977339473]
PhishParrotはクローキング技術に対抗するために設計されたクローリング環境最適化システムである。
21日間の評価では、PhishParrotは標準分析システムよりも最大33.8%精度が向上した。
論文 参考訳（メタデータ） (2025-08-04T04:04:07Z) - 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) - From ML to LLM: Evaluating the Robustness of Phishing Webpage Detection Models against Adversarial Attacks [0.8050163120218178]
フィッシング攻撃は、ユーザーを騙して機密情報を盗み、重大なサイバーセキュリティの脅威を引き起こす。
我々は、さまざまなフィッシング機能を正当なWebページに埋め込むことで、敵対的なフィッシングWebページを生成するツールであるPhishOracleを開発した。
本研究は, フィッシング検出モデルによる敵攻撃に対する脆弱性を強調し, より堅牢な検出アプローチの必要性を強調した。
論文 参考訳（メタデータ） (2024-07-29T18:21:34Z) - 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) - Memorization in Self-Supervised Learning Improves Downstream Generalization [49.42010047574022]
自己教師付き学習(SSL)は、ラベルのないデータで純粋に高性能エンコーダを訓練する能力により、最近大きな注目を集めている。
SSL内での暗記を定義するためのフレームワークであるSSLMemを提案する。
論文 参考訳（メタデータ） (2024-01-19T11:32:47Z) - An Embarrassingly Simple Backdoor Attack on Self-supervised Learning [52.28670953101126]
自己教師付き学習(SSL)は、ラベルに頼ることなく、複雑なデータの高品質な表現を学習することができる。
SSLのバックドア攻撃に対する脆弱性について検討する。
論文 参考訳（メタデータ） (2022-10-13T20:39:21Z) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳（メタデータ） (2021-07-07T15:42:49Z)
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。