Fugu-MT 論文翻訳(概要): A Graph-Attentive LSTM Model for Malicious URL Detection

論文の概要: A Graph-Attentive LSTM Model for Malicious URL Detection

arxiv url: http://arxiv.org/abs/2510.15971v1
Date: Sun, 12 Oct 2025 17:10:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 00:56:38.734631
Title: A Graph-Attentive LSTM Model for Malicious URL Detection
Title（参考訳）: 悪意URL検出のためのグラフ検出型LSTMモデル
Authors: Md. Ifthekhar Hossain, Kazi Abdullah Al Arafat, Bryce Shepard, Kayd Craig, Imtiaz Parvez,
Abstract要約: ブラックリストの検出方法は、既存のパターンに依存するため、新しいURLや難読化URLを識別できない。本研究は,グラフニューラルネットワーク(GNN)とグラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた,GNN-GAT-LSTMというハイブリッドディープラーニングモデルを提案する。このモデルは、文字がエッジを介して接続されるノードになるプロセスを通じて、URLをグラフに変換する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Malicious URLs pose significant security risks as they facilitate phishing attacks, distribute malware, and empower attackers to deface websites. Blacklist detection methods fail to identify new or obfuscated URLs because they depend on pre-existing patterns. This work presents a hybrid deep learning model named GNN-GAT-LSTM that combines Graph Neural Networks (GNNs) with Graph Attention Networks (GATs) and Long Short-Term Memory (LSTM) networks. The proposed architecture extracts both the structural and sequential patterns of the features from data. The model transforms URLs into graphs through a process where characters become nodes that connect through edges. It applies one-hot encoding to represent node features. The model received training and testing data from a collection of 651,191 URLs, which were classified into benign, phishing, defacement, and malware categories. The preprocessing stage included both feature engineering and data balancing techniques, which addressed the class imbalance issue to enhance model learning. The GNN-GAT-LSTM model achieved outstanding performance through its test accuracy of 0.9806 and its weighted F1-score of 0.9804. It showed excellent precision and recall performance across most classes, particularly for benign and defacement URLs. Overall, the model provides an efficient and scalable system for detecting malicious URLs while demonstrating strong potential for real-world cybersecurity applications.
Abstract（参考訳）: 悪意のあるURLはフィッシング攻撃を促進し、マルウェアを配布し、攻撃者にウェブサイトを偽造する権限を与えるため、重大なセキュリティリスクを引き起こす。ブラックリストの検出方法は、既存のパターンに依存するため、新しいURLや難読化URLを識別できない。本研究は,グラフニューラルネットワーク(GNN)とグラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた,GNN-GAT-LSTMというハイブリッドディープラーニングモデルを提案する。提案アーキテクチャは、データから特徴の構造パターンとシーケンシャルパターンの両方を抽出する。このモデルは、文字がエッジを介して接続されるノードになるプロセスを通じて、URLをグラフに変換する。ノードの特徴を表すためにワンホット符号化を適用する。このモデルは、651,191個のURLからトレーニングとテストのデータを受け取り、それらは良性、フィッシング、偽装、マルウェアのカテゴリに分類された。前処理ステージには機能エンジニアリングとデータバランス技術の両方が含まれており、モデル学習を強化するためにクラス不均衡の問題に対処した。 GNN-GAT-LSTMモデルは試験精度0.9806、重み付きF1スコア0.9804で優れた性能を達成した。これは多くのクラスで優れた精度とリコール性能を示しており、特に良質なURLと非顔URLである。全体として、このモデルは、悪質なURLを検出しながら、現実世界のサイバーセキュリティアプリケーションに強力な可能性を示す、効率的でスケーラブルなシステムを提供する。

関連論文リスト

Phishing URL Detection using Bi-LSTM [0.0]
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。
論文参考訳（メタデータ） (2025-04-29T00:55:01Z)
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)
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)
Link Stealing Attacks Against Inductive Graph Neural Networks [60.931106032824275]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理するように設計されたニューラルネットワークの一種である。これまでの研究によると、トランスダクティブGNNは一連のプライバシー攻撃に弱い。本稿では,リンク盗難攻撃のレンズを通して,誘導型GNNの包括的プライバシー分析を行う。
論文参考訳（メタデータ） (2024-05-09T14:03:52Z)
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)
Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
論文参考訳（メタデータ） (2023-12-13T03:17:05Z)
Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文参考訳（メタデータ） (2022-11-15T11:44:31Z)
Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文参考訳（メタデータ） (2022-09-16T09:13:43Z)
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)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)
Stealing Links from Graph Neural Networks [72.85344230133248]
最近、ニューラルネットワークはグラフニューラルネットワーク(GNN)として知られるグラフデータに拡張された。優れたパフォーマンスのため、GNNは医療分析、レコメンダシステム、不正検出など多くのアプリケーションを持っている。グラフ上でトレーニングされたGNNモデルの出力からグラフを盗む最初の攻撃を提案する。
論文参考訳（メタデータ） (2020-05-05T13:22:35Z)

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。