論文の概要: A Tree-Structured Approach for Phishing Template and Attacker Attribution Analysis

• arxiv url: http://arxiv.org/abs/2608.16158v1
• Date: Mon, 17 Aug 2026 06:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.555519
• Title: A Tree-Structured Approach for Phishing Template and Attacker Attribution Analysis
• Title（参考訳）: フィッシングテンプレートとアタッカー属性解析のための木構造アプローチ
• Abstract要約: フィッシングは今でも、永続的で進化しているサイバーセキュリティの脅威だ。 本研究では,HTML構造がフィッシングテンプレートの再利用を識別するための堅牢な指紋として機能するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.9199488958939334
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Phishing remains a persistent and evolving cybersecurity threat, with attack volumes reaching record levels. This growth is driven by the industrialization of phishing through widely available phishing kits and reusable templates, which enable cybercriminals to rapidly generate and deploy large numbers of fraudulent webpages. Although surface-level attributes may differ across these websites, their underlying structures often exhibit significant similarities. However, most existing defenses rely on reactive blocklists or supervised classification models that focus on individual phishing instances, limiting their ability to identify structural reuse and detect coordinated phishing campaigns. To address this limitation, this study investigates whether HTML structure can serve as a robust fingerprint for identifying phishing template reuse. We model webpages as Document Object Model (DOM) trees and extract structural features, optionally enriched with HTML tag-based content information. These representations are then clustered using unsupervised learning methods to group structurally similar webpages. Three clustering algorithms are evaluated and compared, while also analyzing how the depth of the extracted DOM-tree affects cluster formation and overall clustering performance. Finally, cluster quality is also evaluated both quantitatively and qualitatively, including a novel level-wise Jaccard Distance Score and manual inspection supported by visualization tools. Results demonstrate that structural representations of webpages can effectively reveal hidden similarities across phishing sites, enabling the detection of emerging and zero-day templates and supporting the analysis of coordinated phishing threats
• Abstract（参考訳）: フィッシングは相変わらずサイバーセキュリティの脅威であり、攻撃量は記録的な水準に達している。 この成長は、広く利用可能なフィッシングキットと再利用可能なテンプレートによるフィッシングの工業化によって引き起こされる。 表面的な特性はウェブサイトによって異なるかもしれないが、その基盤となる構造はしばしば大きな類似点を示す。 しかし、既存の防備のほとんどは、個々のフィッシングインスタンスに焦点を当てたリアクティブなブロックリストや教師付き分類モデルに依存しており、構造的再利用を識別し、協調的なフィッシングキャンペーンを検出する能力を制限する。 この制限に対処するために,HTML構造がフィッシングテンプレートの再利用を識別するための堅牢な指紋として機能するかどうかを検討する。 我々は、Webページをドキュメントオブジェクトモデル(DOM)ツリーとしてモデル化し、HTMLタグベースのコンテンツ情報に任意に富んだ構造的特徴を抽出する。 これらの表現は教師なし学習法を用いてクラスタ化され、構造的に類似したWebページをグループ化する。 3つのクラスタリングアルゴリズムの評価と比較を行い、抽出したDOMツリーの深さがクラスタ形成と全体的なクラスタリング性能に与える影響を解析した。 最後に、クラスタの品質を定量的かつ質的に評価し、新しいレベルのジャカード距離スコアと視覚化ツールでサポートされている手動検査を含む。 その結果、Webページの構造的表現は、フィッシングサイト全体にわたって隠れた類似性を効果的に明らかにし、新しいテンプレートやゼロデイテンプレートの検出を可能にし、協調フィッシング脅威の分析を支援することを実証した。

関連論文リスト

• Who Pays the Price? Stakeholder-Centric Prompt Injection Benchmarking for Real-world Web Agents [93.19140872946842]
  大規模言語モデル(LLM)によって駆動されるWebエージェントは、現実の環境にますますデプロイされる。 これにより、一見良質なコンテンツがエージェントの振る舞いを操作する敵の命令を埋め込む、プロンプト・インジェクション・アタックに対して脆弱になる。 実世界のWebエージェントシステムにおいて,損害を体系的に分類し,属性付けするベンチマークである textbfsysname を導入する。
  論文  参考訳（メタデータ） (2026-06-11T14:12:43Z)
• Phishing the Phishers with SpecularNet: Hierarchical Graph Autoencoding for Reference-Free Web Phishing Detection [1.4095442717677928]
  SpecularNetは、参照不要なWebフィッシング検出のための新しい軽量フレームワークである。 フィッシングウェブページの高階構造不変量をキャプチャし、標準CPU上で高速でエンドツーエンドの推論を可能にする。 ベンチマークデータセットでは、F1スコアは93.9%に達し、最高の参照ベースのメソッドをわずかに追った。
  論文  参考訳（メタデータ） (2026-03-02T13:54:04Z)
• Clouding the Mirror: Stealthy Prompt Injection Attacks Targeting LLM-based Phishing Detection [0.7391823486666542]
  大規模言語モデル(LLM)はインジェクション(PI)に対して脆弱である 本稿では,マルチモーダルLCMによるフィッシング検出に対するPIの総合評価について述べる。 InjectDefuserは、プロンプト硬化、許容リストに基づく検索強化、出力検証を組み合わせた防衛フレームワークである。
  論文  参考訳（メタデータ） (2026-02-05T09:44:20Z)
• Beyond Detection: A Comprehensive Benchmark and Study on Representation Learning for Fine-Grained Webshell Family Classification [0.0]
  悪意のあるWebShellsは、重要なデジタルインフラストラクチャを妥協することによって、大きく進化する脅威となる。 有望な方向性の1つは、WebShellファミリー分類の自動化である。 WebShellファミリー分類を自動化する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2025-12-04T22:26:30Z)
• 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)
• 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)
• Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
  PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。 これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。 本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチュ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） (2025-05-19T16:35:45Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• EPhishCADE: A Privacy-Aware Multi-Dimensional Framework for Email Phishing Campaign Detection [11.200645222578363]
  通常電子メールで行われるフィッシング攻撃は、重要なサイバーセキュリティの脅威である。 我々は、bf Email bf Phishing bf CAmpaign bf DEtectionのための最初のプライバシ対応フレームワークであるbf EPhishCADEを提案する。
  論文  参考訳（メタデータ） (2025-02-28T00:58:42Z)
• 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)
• Evaluating the Effectiveness and Robustness of Visual Similarity-based Phishing Detection Models [10.334870703744498]
  フィッシング攻撃は、犠牲者を欺くために合法的なウェブサイトの視覚的外観を精巧に再現する。 視覚的類似性に基づく検出システムは効果的な対策として現れてきたが、現実のシナリオにおけるその有効性と堅牢性は過小評価されている。 実世界のフィッシングWebサイトの大規模データセットを用いて、一般的な視覚的類似性に基づくフィッシングモデルの有効性とロバスト性を網羅的に検証し、評価した。
  論文  参考訳（メタデータ） (2024-05-30T01:28:36Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)

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。