PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.21690v2cs.CR

피싱 및 위협 분류를 위한 하이브리드 다계층 파이프라인: 독립적으로 검증된 URL 및 NLP 엔진과 보정된 다채널 융합 단계

A Hybrid, Multi-Layered Pipeline for Phishing and Threat Classification: Independently Validated URL and NLP Engines with a Calibrated Multi-Channel Fusion Stage

피싱·위협 분류를 위해 URL 4단계 스택, 일반화 강화 DistilBERT NLP 분류기, 위협 인텔리전스 동기화 등 모달리티별 독립 엔진을 구축하고 보정된 다채널 확률적 OR 융합으로 결합한 하이브리드 파이프라인을 제안한다. NLP 분류기는 홀드아웃 실제 피싱 재현율을 0.8%에서 87.3%로 끌어올렸고, 10,677건 이메일 전체 시스템 벤치마크에서 F1=0.914를 달성했으며 실제 배포에서는 학습 분포 밖 일반화 성능이 핵심 제약이라고 지적한다.

arXiv:2606.11471v1cs.CR

머신러닝 기반 피싱 탐지 시스템의 성능에 미치는 컨셉트 드리프트의 영향 평가 및 대응

Evaluating and Combating the Impact of Concept Drift on the Performance of Machine Learning-Based Phishing Detection Systems

디지털 영역의 확장은 디지털 통신의 현저한 증가를 가져왔으며, 이메일은 가장 주요한 채널 중 하나로 부상했습니다. 이메일 통신의 확산은 업무 및 개인적인 맥락 모두에서 명확하며, 이로 인해 악의적인 행위자가 악용할 수 있는 수많은 취약점이 생성되었습니다. 수신자에게 악의적인 의도를 품고 있는 스팸 이메일(원치 않는 통신의 일종)은 이메일 기술의 시작 이래 이메일 사용자에게 지속적인 과제가 되어 왔으며, 이 문제는 디지털 환경의 성장으로 인해 더욱 악화되었습니다. 이메일 스팸 필터는 잠재적으로 유해한 메시지를 식별하고 그 악의적인 콘텐츠에 대해 사용자에게 경고하도록 설계된 이메일 클라이언트의 필수 구성 요소입니다. 피싱(Phishing)은 종종 맬웨어 기반 공격의 초기 단계가 되며, 맬웨어가 시간이 지남에 따라 점점 더 정교해짐에 따라 빠르게 진화하고 있습니다. 맬웨어 및 스팸 도메인 내의 악의적인 활동을 탐지하기 위해 널리 채택된 접근 방식은 머신러닝(machine learning)의 적용입니다. 우리의 목표는 스팸 이메일 도메인 내의 진화가 이러한 머신러닝 기반 탐지 시스템에 미치는 영향을 평가하고, 관련된 성능 저하를 완화하기 위한 전략을 탐색하는 것입니다.