文献

J-GLOBAL ID：201702248398784129   整理番号：17A1645505

URL分類のためのランダム森林調査【Powered by NICT】

Random forest explorations for URL classification

著者 (3件)： Weedon Martyn (Faculty of SEC, Kingston University, Penrhyn Road, Kingston Upon Thames, United Kingdom) ,  Tsaptsinos Dimitris (Faculty of SEC, Kingston University, Penrhyn Road, Kingston Upon Thames, United Kingdom) ,  Denholm-Price James (Faculty of SEC, Kingston University, Penrhyn Road, Kingston Upon Thames, United Kingdom)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CyberSA  ページ： 1-4  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： フィッシングはインターネット上の主要な関心事であり,多くのユーザは犯罪のdeceitful戦術のため犠牲者を低下している。ブラックリストは最も一般的な防御ユーザなフィッシングウェブサイトに対することをまだであるが,数の増加に対処するために失敗している。近年,研究者は,機械学習を用いてそのようなWebサイトを検出する最新の方法を考案した。そのような方法の一つは,URLはphishingであるかどうかを分類するためのURL特徴の学習機械モデルを作成することである。しかし,最良のアプローチは特徴とアルゴリズムのためのに関する意見変化した。本論文では,目的は,語彙のみデータセットを用いてランダム森林アルゴリズムの性能を評価することである。性能は他の機械学習アルゴリズムに対して,さらに文献で報告された結果に対してベンチマークした。実験からの初期の結果は,ランダムフォレストアルゴリズムは最良の86.9%の精度を得を行うことを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 機械学習 ,  アルゴリズム ,  インターネット ,  *森林調査 ,  犯罪 ,  語彙 ,  学習機械 ,  ベンチマーク ,  学習アルゴリズム
準シソーラス用語： *ランダムフォレスト ,  Webサイト ,  防衛 ,  ブラックリスト ,  戦術 , 【Automatic Indexing@JST】

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (3件)： URL ,  分類 ,  森林調査