論文の概要: Explainable Machine Learning for Phishing Detection on Heterogeneous Datasets with MCP-Enabled Deployment

• arxiv url: http://arxiv.org/abs/2605.17891v1
• Date: Mon, 18 May 2026 05:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.90292
• Title: Explainable Machine Learning for Phishing Detection on Heterogeneous Datasets with MCP-Enabled Deployment
• Title（参考訳）: MCP対応展開による不均一データセットのフィッシング検出のための説明可能な機械学習
• Authors: Nikhil Kumar Dora, Sumit Kumar Tetarave, Rishikesh Sahay, Madhusudan Singh, Xiaoqing Li,
• Abstract要約: 本稿では、異種フィッシングデータセットにおけるフィッシング検出における機械学習アルゴリズムの効率について検討する。 実用的なデプロイメントを支援するため、MPPベースのフィッシングURL検出システムも組み込まれている。
• 参考スコア（独自算出の注目度）: 1.2542843327483275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growth in digital transformation and Internet usage, the Social Engineering techniques such as Phishing have become a major concern for the users and the organizations. Phishing attacks involve deceptive techniques to trick users into revealing confidential information that causes financial loss and reputation damage to organizations. According to report of Verizon, 36% of all data breaches involved phishing, highlighting the need for intelligent, adaptive, and explainable security mechanisms. This paper examines the efficiency of different machine learning algorithms in phishing detection on heterogeneous phishing datasets that include a publicly available UCI dataset, our generated datasets using tools such as EvilGinx and Zphisher, and AI generated datasets. Moreover, this work incorporates explainable AI (XAI) techniques such as Information Gain, SHAP (SHapley Additive Explanations), and LIME (Local Interpretable Model-Agnostic Explanations) to examine the most influential features impacting classification outcomes. To support practical deployment, this work also incorporates an MCP-based phishing URL detection system that offers real-time URL analysis, feature extraction, confidence-based classification, and AI-assisted security interpretation. The experimental results demonstrate that among classical models the highest accuracy is obtained by Logistic Regression at 92.44%, among ensemble models CatBoost achieved the highest accuracy at 95.01%, among neural network CNN achieved an accuracy of 94.02%, and among transformer-based models, DistilBERT got the highest accuracy at 99.78%
• Abstract（参考訳）: デジタルトランスフォーメーションとインターネット利用の増加に伴い、Phishingのようなソーシャルエンジニアリング技術は、ユーザや組織にとって大きな関心事となっている。 フィッシング攻撃は、ユーザーを騙して機密情報を暴露し、組織に金銭的損失と評判を損なわせている。 Verizonのレポートによると、すべてのデータ漏洩の36%がフィッシングに関わっており、インテリジェントで適応的で説明可能なセキュリティメカニズムの必要性を強調している。 本稿では、公開可能なUCIデータセット、EvilGinxやZphisherといったツールを使用して生成されたデータセット、AI生成されたデータセットを含む異種フィッシングデータセットのフィッシング検出における機械学習アルゴリズムの効率について検討する。 さらに、この研究には、情報ゲイン、SHAP(SHapley Additive Explanations)、LIME(Local Interpretable Model-Agnostic Explanations)といった説明可能なAI(XAI)技術が組み込まれ、分類結果に最も影響を及ぼす特徴について検討する。 実際のデプロイメントをサポートするために、リアルタイムURL分析、特徴抽出、信頼に基づく分類、AI支援されたセキュリティ解釈を提供する、MPPベースのフィッシングURL検出システムも組み込まれている。 実験の結果,従来のモデルでは,ロジスティック回帰が92.44%,アンサンブルモデルが95.01%,ニューラルネットワークCNNが94.02%,トランスフォーマーモデルが99.78%であった。

関連論文リスト

• Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
  機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。 この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。 また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
  論文  参考訳（メタデータ） (2026-03-26T18:42:57Z)
• Phishing Detection System: An Ensemble Approach Using Character-Level CNN and Feature Engineering [0.0]
  本稿では,フィッシング検出システムのためのAIモデルを提案する。 アンサンブルアプローチを使用して、文字レベルの畳み込みニューラルネットワーク(CNN)とLightGBMをエンジニアリング機能と組み合わせている。 19,873URLのテストデータセットでは、アンサンブルの精度は99.819パーセント、精度は100%、リコールは99.635パーセント、ROC-AUCは99.947パーセントである。
  論文  参考訳（メタデータ） (2025-12-18T16:19:12Z)
• 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)
• Vulnerability Detection with Code Language Models: How Far Are We? [40.455600722638906]
  PrimeVulは、脆弱性検出のためのコードLMのトレーニングと評価のための新しいデータセットである。 これは、人間の検証されたベンチマークに匹敵するラベルの精度を達成する、新しいデータラベリング技術を含んでいる。 また、厳密なデータ重複解消戦略と時系列データ分割戦略を実装して、データの漏洩問題を軽減している。
  論文  参考訳（メタデータ） (2024-03-27T14:34:29Z)
• 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)
• Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction [6.374540518226326]
  侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。 本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。 CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
  論文  参考訳（メタデータ） (2024-01-22T05:49:41Z)
• DefectHunter: A Novel LLM-Driven Boosted-Conformer-based Code Vulnerability Detection Mechanism [3.9377491512285157]
  DefectHunterは、Conformerメカニズムを利用した脆弱性識別のための革新的なモデルである。 このメカニズムは、畳み込みネットワークと自己意識を融合させ、局所的、位置的特徴とグローバル的、コンテンツに基づく相互作用の両方をキャプチャする。
  論文  参考訳（メタデータ） (2023-09-27T00:10:29Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• 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)
• 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。