抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本論文では,PhishBoxと呼ばれるアプローチを提案し,フィッシングデータを効果的に収集し,フィッシング検証と検出のためのモデルを生成した。提案した手法は,フィッシングWebサイト収集,検証,検出をオンラインツールに統合し,PhishTankのブラックリストを監視し,リアルタイムでのフィッシングWebサイトを検証し,検出することができる。フィッシングWebサイトの短い寿命のために,提案したアプローチは,性能を保証するために二段階検出モデルを使用する。最初に,著者らは,フィッシングデータを検証するためにアンサンブルモデルを設計し,手動ラベリングのコストを低減するためにアクティブ学習を適用した。結果は,著者らのアンサンブル検証モデルが95%の精度と3.9%の偽陽性率で高性能を達成できることを示した。次に,検証したフィッシングデータを用いて,検出モデルを訓練した。オリジナルのデータセットと比較して,フィッシング検出の偽陽性率は平均で43.7%低下した。PhishTankに関する投票手順に参加した後に,結果は,著者らの二段階モデルがフィッシングWebサイトを検証するために効果的であることを示した。最後に,ブラックリストを監視し,ブラックリストが多くの無効データを含むことを見出した。著者らの実験によると,著者らは1週間後に規則的更新よりも5倍多く除去できる。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】
