Core Concepts
연합 학습과 지속 학습을 결합한 새로운 학습 패러다임을 통해 분산 노드가 데이터를 축적하지 않고도 최신 피싱 데이터 스트림을 기반으로 모델을 지속적으로 업데이트할 수 있으며, 주목 메커니즘을 활용하여 웹 피싱에 특화된 분류기 모델을 개발함으로써 진화하는 피싱 위협을 효과적으로 탐지할 수 있다.
Abstract
이 연구는 웹 피싱 탐지를 위한 새로운 하이브리드 학습 패러다임을 제안합니다. 이 패러다임은 연합 학습과 지속 학습을 결합하여 분산 노드가 데이터를 축적하지 않고도 최신 피싱 데이터 스트림을 기반으로 모델을 지속적으로 업데이트할 수 있게 합니다. 또한 주목 메커니즘을 활용하여 웹 피싱에 특화된 분류기 모델을 개발함으로써 진화하는 피싱 위협을 효과적으로 탐지할 수 있습니다.
실험 결과, 제안된 하이브리드 학습 패러다임과 주목 기반 분류기 모델은 기존 접근 방식에 비해 우수한 성능을 보였습니다. 특히 Learning without Forgetting (LwF) 지속 학습 전략을 사용할 경우 0.93의 정확도, 0.90의 정밀도, 0.96의 재현율, 0.93의 F1 점수를 달성하여 기존 방식보다 진화하는 피싱 위협을 더 잘 탐지하면서도 과거 지식을 유지할 수 있었습니다.
이 연구는 웹 피싱 탐지 분야에 중요한 기여를 하며, 사용자를 이러한 기만적인 공격으로부터 보호하는 데 도움이 될 것입니다.
Stats
피싱 웹사이트 탐지 정확도는 0.93으로, 기존 방식보다 우수합니다.
피싱 웹사이트 탐지 정밀도는 0.90으로, 기존 방식보다 높습니다.
피싱 웹사이트 탐지 재현율은 0.96으로, 기존 방식보다 높습니다.
피싱 웹사이트 탐지 F1 점수는 0.93으로, 기존 방식보다 우수합니다.
Quotes
"연합 학습과 지속 학습을 결합한 새로운 학습 패러다임을 통해 분산 노드가 데이터를 축적하지 않고도 최신 피싱 데이터 스트림을 기반으로 모델을 지속적으로 업데이트할 수 있습니다."
"주목 메커니즘을 활용하여 웹 피싱에 특화된 분류기 모델을 개발함으로써 진화하는 피싱 위협을 효과적으로 탐지할 수 있습니다."