深層学習を用いたフィッシング検知手法における敵対的 URL に対する脆弱性の評価

カテゴリ: 研究会(論文単位)

論文No: CMN22006

グループ名: 【C】電子・情報・システム部門 通信研究会

発行日: 2022/01/17

タイトル(英語): Vulnerability Evaluation to Adversarial URLs in Deep-Learning-Based Phishing Detection

著者名: 西浦 幸来(同志社大学),小川 侑治(同志社大学),木村 共孝(同志社大学),程 俊(同志社大学)

著者名(英語): Koko Nishiura(Doshisha University),Yuji Ogawa(Doshisha University),Tomotaka Kimura(Doshisha University),Cheng Jun(Doshisha University)

キーワード: Ｗｅｂ２Ｖｅｃ|深層学習|敵対的生成画像|１ピクセル攻撃|Web2Vec|Deep Learning|Adversarial Examples|One Pixel Attack

要約(日本語): 本稿では、ディープラーニングを用いたフィッシング検知手法に対するAE (Adversarial Examples)の脆弱性を評価する．具体的には，深層学習を用いた並列型フィッシング検知手法と逐次型フィッシング検知手法に対して敵対的URLを生成し，これらのフィッシング検知手法の攻撃耐性の違いを評価する．実験を通してURLとWebコンテンツの特徴を同時に利用する並列型構造は，URLとWebコンテンツの特徴を同時に利用する逐次型構造に比べ，敵対的URLに対して脆弱であることが示された．

要約(英語): In this paper, we evaluate the vulnerability of adversarial examples　for deep-learning-based phishing detection methods. Specifically, we　generated adversarial URLs for parallel and sequential phishing detection methods using deep learning, and evaluated the difference in attack resistance of these phishing detection methods. Through experiments, we showed that the parallel structure, which uses the features of URLs and web contents simultaneously, is vulnerability to　adversarial URLs compared with the sequential structure that uses the features sequentially.

本誌: 2022年1月20日-2022年1月21日通信研究会

本誌掲載ページ: 25-28 p

原稿種別: 日本語

PDFファイルサイズ: 412 Kバイト