論文の概要: COBRA: A Content-Agnostic Framework for Zero-Day Detection of Suspicious Domains

• arxiv url: http://arxiv.org/abs/2609.25882v1
• Date: Tue, 22 Sep 2026 08:48:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.3025
• Title: COBRA: A Content-Agnostic Framework for Zero-Day Detection of Suspicious Domains
• Title（参考訳）: COBRA: 目に見えないドメインのゼロデイ検出のためのコンテンツに依存しないフレームワーク
• Abstract要約: 疑わしいドメインを特定し解析するためのコンテンツに依存しない登録時間検出フレームワークCOBRAを提案する。 新たに登録されたドメインの名前を解析し,語彙的および構造的類似性に基づいてクラスタリング手法を用いてグループ化する。 その結果、ドメイン名クラスタリングにより正確な早期検出が可能であり、最も広く使われている脅威知能サービスよりも早く、疑わしいドメインや悪意のあるドメインの80%を特定できることがわかった。
• 参考スコア（独自算出の注目度）: 38.68844890932006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The use of malicious domains is central to cyberattacks such as phishing, malware distribution, impersonation, and fraudulent transactions. Because domains are inexpensive to register and easy to deploy at scale, they remain one of the most common and damaging tools used in cybercrime across industries. Proactive detection is essential to reducing this window of vulnerability and preventing harm to users. In this work, we propose COBRA: a content-agnostic, registration-time detection framework for identifying and analyzing suspicious domains from day zero. Our approach does not rely on any content-based features, allowing us to classify a domain even before it is populated with content. We analyze the names of newly registered domains and employ a clustering technique to group them based on lexical and structural similarity. We evaluate our methodology using real-world data consisting of 1.5M newly created domains, demonstrating that COBRA detects suspicious domains with a precision of 98.5%, identifying more than 47K distinct newly registered suspicious domains. Furthermore, our results show that domain-name clustering enables accurate early detection, allowing us to identify 80% of suspicious or malicious domains earlier than one of the most widely used threat-intelligence services, which in some cases may require up to 7 days.
• Abstract（参考訳）: 悪意のあるドメインの使用は、フィッシング、マルウェアの配布、偽造、不正取引などのサイバー攻撃の中心である。 ドメインは登録が安く、大規模展開も容易であるため、業界全体のサイバー犯罪で使われている最も一般的で有害なツールの1つとして残されている。 プロアクティブ検出は、この脆弱性のウィンドウを減らし、ユーザに害を与えるのを防ぐために不可欠である。 本研究では,COBRA(Content-agnostic, registered-time detection framework)を提案する。 このアプローチは、コンテンツベースの機能に依存しないので、コンテンツが溢れる前にドメインを分類することができます。 新たに登録されたドメインの名前を解析し,語彙的および構造的類似性に基づいてクラスタリング手法を用いてグループ化する。 我々は,1.5万の新規ドメインからなる実世界データを用いて,COBRAが98.5%の精度で不審ドメインを検出し,新たに登録された不審ドメインを47万件以上特定したことを実証した。 さらに,ドメイン名クラスタリングにより精度の高い早期発見が可能であり,最も広く利用されている脅威知能サービスよりも早く,疑わしいドメインや悪意のあるドメインの80%を識別することが可能であり,場合によっては最大7日を要する場合もある。

関連論文リスト

• A Longitudinal Study of Recently Observed Malicious Domains: Characteristics, Infrastructure, and Abuse Patterns [2.949222434075052]
  データセットを妥協されたドメインにグループ化し、攻撃者がドメインを作成します。 攻撃者が作成したドメインの大部分は、作成から数週間以内に使用される短い生きた登録である。 1つの登録簿から数千のドメインを含むバルク登録イベントが広く行われている。
  論文  参考訳（メタデータ） (2026-06-09T17:06:58Z)
• Infrastructure Patterns in Toll Scam Domains: A Comprehensive Analysis of Cybercriminal Registration and Hosting Strategies [3.964670382779565]
  有料詐欺は、合法的な交通機関のふりをした偽のドメインを登録する犯罪者を巻き込む。 新たに作成した67,907個のスカムドメインのデータセットを用いて,有料スカムドメインの大規模解析を行った。
  論文  参考訳（メタデータ） (2025-10-16T01:09:30Z)
• MANTIS: Detection of Zero-Day Malicious Domains Leveraging Low Reputed Hosting Infrastructure [6.214359156708907]
  既存の検出メカニズムは、限られた情報と寿命が短いため、そのような悪意のあるドメインをキャッチするには遅すぎるか、クローキングやカプチャなどの回避技術によってそれをキャッチできないかのいずれかである。 MANTISは、悪意のあるドメインの毎日のブロックリストを生成するだけでなく、悪意のあるドメインをオンデマンドで予測できるシステムである。 平均して、我々のモデルは99.7%の精度で、86.9%のリコール、非常に低い偽陽性率(FPR)は0.1%、そして平均して1日に19万の新しい悪意のあるドメインを検知する。
  論文  参考訳（メタデータ） (2025-02-13T21:46:34Z)
• Registration, Detection, and Deregistration: Analyzing DNS Abuse for Phishing Attacks [2.160481692907504]
  フィッシングは引き続き重要なサイバーセキュリティの脅威となる。 根本において、特にフィッシング領域において、この根本的な課題に取り組むことが不可欠である。 ドメイン登録は、ユーザーとウェブサイトの間の主要なゲートウェイとして機能するため、重要な介入ポイントとなる。
  論文  参考訳（メタデータ） (2025-02-13T18:02:48Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Towards Corruption-Agnostic Robust Domain Adaptation [76.66523954277945]
  新しいタスクである破損に依存しないロバストドメイン適応(CRDA:Corruption-agnostic Robust Domain Adaptation)を調査します。 1)予測不能な汚職を模倣するために,ドメインの不一致を拡大するサンプルを生成する,Digital Disrepancy Generator (DDG) と呼ばれる簡単なモジュール,2) 対象ドメインの制約を強化するために,対照的な損失を伴う単純かつ効果的な教師学習方式を提案する。
  論文  参考訳（メタデータ） (2021-04-21T06:27:48Z)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Domain Agnostic Learning for Unbiased Authentication [47.85174796247398]
  ドメインラベルなしでドメインの差分を除去するドメインに依存しない手法を提案する。 潜伏領域は入力と出力の間の不均一な予測関係を学習することによって発見される。 提案手法をメタラーニングフレームワークに拡張し,ドメイン差分除去をより徹底的に進める。
  論文  参考訳（メタデータ） (2020-10-11T14:05:16Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

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。