Core Concepts
Web フィッシング攻撃に対する堅牢で適応性の高い検知システムを構築するため、連続学習と連合学習を組み合わせたハイブリッドアプローチを提案する。注意機構を活用した独自の分類器モデルを開発し、動的な特徴選択メカニズムを組み込むことで、進化する攻撃手法に対する検知精度を向上させる。
Abstract
本研究では、Web フィッシング検知のための新しいハイブリッドアプローチを提案している。
連続学習と連合学習を組み合わせることで、分散ノードが最新のフィッシングデータストリームに基づいて継続的にモデルを更新できるようにする。これにより、データの蓄積や定期的な再学習の必要がなくなり、進化する攻撃手法に迅速に適応できる。
注意機構を活用した独自の分類器モデルを開発し、Web フィッシングの特徴を効果的に捉えることで、検知精度を向上させる。また、動的な特徴選択メカニズムを組み込むことで、モデルの解釈性と適応性を高める。
様々な連続学習手法(累積学習、リプレイ、MIR、LwF)と既存のモデル構造を比較評価し、最適な設定を見出す。
提案手法は、従来のアプローチに比べて優れた検知性能を示し、進化する攻撃手法に対しても堅牢性を維持することができる。
Stats
提案モデルは、LwF 戦略の下で 0.93 の精度、0.90 の適合率、0.96 の再現率、0.93 のF1スコアを達成した。
従来手法と比較して、進化する攻撃に対する検知性能を維持しつつ、過去の知識も保持できることが示された。
Quotes
"Web フィッシング攻撃は動的な脅威であり、検知システムが最新の戦術に迅速に適応する必要がある。"
"従来のデータ蓄積と定期的な再学習では、進化する攻撃手法に追いつくことができない。"
"提案するハイブリッドアプローチは、分散ノードが最新のフィッシングデータに基づいて継続的にモデルを更新できるようにする。"