論文の概要: A Lightweight Hybrid MLP-Based Framework for Real-Time Phishing URL Detection Using Structural URL Features

• arxiv url: http://arxiv.org/abs/2606.00889v1
• Date: Sat, 30 May 2026 20:47:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.963351
• Title: A Lightweight Hybrid MLP-Based Framework for Real-Time Phishing URL Detection Using Structural URL Features
• Title（参考訳）: 構造URL特徴を用いたリアルタイムフィッシングURL検出のための軽量ハイブリッドMLPベースフレームワーク
• Abstract要約: 本稿では,リアルタイムフィッシングURL検出のための軽量なハイブリッドフレームワークを提案する。 ブラックリストベースのスクリーニングと、構造的なURL機能のみで動作するMulti-Layer Perceptron(MLP)を組み合わせる。 このフレームワークは、構造的、ドメインベース、およびセキュリティ関連の特徴をキャプチャする16のURL由来の特徴を抽出する。
• 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: Phishing attacks remain a major cybersecurity threat, exploiting deceptive URLs to steal sensitive user information. Traditional blacklist and rule-based detection approaches are reactive and often fail to identify newly emerging phishing URLs. This paper proposes a lightweight hybrid framework for real-time phishing URL detection that combines blacklist-based screening with a Multi-Layer Perceptron (MLP) classifier operating solely on structural URL features. The framework extracts 16 URL-derived features capturing structural, domain-based, and security-related characteristics without requiring webpage content access, third-party APIs, or visual rendering, making it computationally efficient for real-time deployment. The system was trained and evaluated on the PhiUSIIL phishing dataset containing 235,795 labelled URLs. Experimental results show that the proposed MLP achieved 99.24% accuracy, 98.74% precision, 99.95% recall, 99.34% F1-score, and 99.65% ROC-AUC, outperforming Random Forest, Logistic Regression, XGBoost, LightGBM, and CatBoost under the same evaluation setting. The hybrid architecture achieved an average inference latency of 1.2 ms per URL and a peak throughput of 4,200 URLs per second under concurrent processing. A functional desktop application prototype, CyberGuard, further demonstrates deployment viability. The results indicate that the proposed framework provides an accurate and computationally efficient solution for real-time phishing URL detection in resource-constrained environments.
• Abstract（参考訳）: フィッシング攻撃は依然としてサイバーセキュリティの脅威であり、機密性の高いユーザー情報を盗むために偽のURLを悪用している。 従来型のブラックリストとルールベースの検出アプローチはリアクティブであり、新しいフィッシングURLの特定に失敗することが多い。 本稿では、ブラックリストベースのスクリーニングと、構造的なURL機能のみで動作するMulti-Layer Perceptron(MLP)分類器を組み合わせた、リアルタイムフィッシングURL検出のための軽量なハイブリッドフレームワークを提案する。 このフレームワークは、Webページコンテンツアクセス、サードパーティのAPI、あるいはビジュアルレンダリングを必要とせずに、構造的、ドメインベース、およびセキュリティ関連の特徴をキャプチャする16のURLを抽出する。 このシステムは235,795個のラベル付きURLを含むPhiUSIILフィッシングデータセットを用いて訓練および評価を行った。 実験の結果、提案されたMLPは99.24%の精度、98.74%の精度、99.95%のリコール、99.34%のF1スコア、99.65%のROC-AUCを達成し、Random Forest、Logistic Regression、XGBoost、LightGBM、CatBoostを同じ評価条件で上回った。 ハイブリッドアーキテクチャは、1URLあたり1.2msの平均推論レイテンシと、並列処理で毎秒4,200URLのピークスループットを達成した。 機能的なデスクトップアプリケーションのプロトタイプであるCyberGuardは、デプロイメントの生存性をさらに実証している。 その結果,提案フレームワークは,資源制約環境下でのリアルタイムフィッシングURL検出に対して,高精度かつ計算効率のよいソリューションを提供することがわかった。

関連論文リスト

• CLASP: Defending Hybrid Large Language Models Against Hidden State Poisoning Attacks [48.54598003197356]
  Mambaのような状態空間モデル(SSM)はトランスフォーマーの効率的な代替品として大きな注目を集めている。 HiSPAsは、最近発見された脆弱性で、敵対する文字列を通じてSSMメモリを破損させる。 この脅威に対して防御するためのCLASPモデルを紹介します。
  論文  参考訳（メタデータ） (2026-03-12T17:29:55Z)
• Benchmarking Large Language Models for Zero-shot and Few-shot Phishing URL Detection [0.0]
  偽のURLは、サイバー犯罪者による生成AIの普及により、前例のない高度化に達している。 フィッシング量は2022年以来4000%以上増加しており、検出を回避している攻撃は50%近く増加している。 我々は、ゼロショットと少数ショットのプロンプトを統一したフレームワークでLLMのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-02-02T18:56:06Z)
• ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
  本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
  論文  参考訳（メタデータ） (2026-01-15T08:23:38Z)
• 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)
• The Trojan Knowledge: Bypassing Commercial LLM Guardrails via Harmless Prompt Weaving and Adaptive Tree Search [58.8834056209347]
  大規模言語モデル(LLM)は、有害な出力を誘導するために安全ガードレールをバイパスするジェイルブレイク攻撃に弱いままである。 CKA-Agent(Correlated Knowledge Attack Agent)は、ターゲットモデルの知識基盤の適応的木構造探索としてジェイルブレイクを再構成する動的フレームワークである。
  論文  参考訳（メタデータ） (2025-12-01T07:05:23Z)
• A Hybrid Deep Learning and Anomaly Detection Framework for Real-Time Malicious URL Classification [0.0]
  悪意のあるURLはフィッシング、マルウェア、サイバー脅威の主要なベクターである。 本研究では,TextttHashingHashizer n-gram解析,SMOTEバランシング,分離フォレスト異常フィルタリング,およびリアルタイムURL分類のための軽量ニューラルネットワーク分類器を組み合わせたディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-30T21:25:14Z)
• 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)
• 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)
• 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)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Phishing URL Detection Through Top-level Domain Analysis: A Descriptive Approach [3.494620587853103]
  本研究では,Splunkプラットフォーム内で使用可能な不正なURLを検出する機械学習モデルを開発することを目的とする。 文学における同様のアプローチから着想を得た私たちは、悪意のあるデータセットと良心的なデータセットを使用して、SVMとランダムフォレストアルゴリズムを訓練しました。 我々はアルゴリズムの性能を精度とリコールで評価し,ランダムフォレストの場合,最大85%の精度と87%のリコールを達成した。
  論文  参考訳（メタデータ） (2020-05-13T21:41:29Z)

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。