| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-10-01 11:15 Malicious URLs Detection Using an Integrated AI Framework ○Bo-Xiang Wang・Ren-Feng Deng・Yi-Wei Ma・Jiann-Liang Chen（NTUST）  IA2020-1 |
|
| 抄録 | （和） | Malicious attacks on computer networks are quite common, and the internet attacks are even more widespread, such as Malvertising, Phishing, and Drive-by download, all of which are related to malicious URL links. The conventional way to prevent these malicious URLs would be to manage them through a blacklist, that requires considerable human resources to identify them. In recent years, with the improvement of hardware and software devices, computers with machine learning are able to learn and predict from large amounts of data, therefor replacing traditional methods and saving manpower. This study proposed an integrated AI framework, which consists of a fast filtering component and a precise identification component. This framework combines the advantages of the CNN (Convolutional Neural Network) model and the XGBoost (eXtreme Gradient Boosting) model to achieve a fast and accurate detection capability. Experimental results show that the fast filter is able to detect results in 0.6 seconds with an accuracy of 83%. In contrast, the accuracy of the precision identification component is 94% when it takes about 40 seconds to detect the result. This study integrates the advantages of the two components to achieve the goal of fast and accurate malicious URL detection. |
| （英） | Malicious attacks on computer networks are quite common, and the internet attacks are even more widespread, such as Malvertising, Phishing, and Drive-by download, all of which are related to malicious URL links. The conventional way to prevent these malicious URLs would be to manage them through a blacklist, that requires considerable human resources to identify them. In recent years, with the improvement of hardware and software devices, computers with machine learning are able to learn and predict from large amounts of data, therefor replacing traditional methods and saving manpower. This study proposed an integrated AI framework, which consists of a fast filtering component and a precise identification component. This framework combines the advantages of the CNN (Convolutional Neural Network) model and the XGBoost (eXtreme Gradient Boosting) model to achieve a fast and accurate detection capability. Experimental results show that the fast filter is able to detect results in 0.6 seconds with an accuracy of 83%. In contrast, the accuracy of the precision identification component is 94% when it takes about 40 seconds to detect the result. This study integrates the advantages of the two components to achieve the goal of fast and accurate malicious URL detection. | |
| キーワード | （和） | Malicious URL / Integrated AI framework / Artificial Intelligence / Feature Selection / / / / |
| （英） | Malicious URL / Integrated AI framework / Artificial Intelligence / Feature Selection / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 177, IA2020-1, pp. 1-5, 2020年10月. | |
| 資料番号 | IA2020-1 | |
| 発行日 | 2020-09-24 (IA) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IA2020-1 |
|
| 研究会情報 | |
| 研究会 | IA |
| 開催期間 | 2020-10-01 - 2020-10-01 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | IA2020 - Workshop on Internet Architecture and Applications 2020 |
| テーマ（英） | IA2020 - Workshop on Internet Architecture and Applications 2020 |
| 講演論文情報の詳細 | |
| 申込み研究会 | IA |
| 会議コード | 2020-10-IA |
| 本文の言語 | 英語 |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | Malicious URLs Detection Using an Integrated AI Framework |
| サブタイトル（英） | |
| キーワード(1)（和/英） | Malicious URL / Malicious URL |
| キーワード(2)（和/英） | Integrated AI framework / Integrated AI framework |
| キーワード(3)（和/英） | Artificial Intelligence / Artificial Intelligence |
| キーワード(4)（和/英） | Feature Selection / Feature Selection |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | Bo-Xiang Wang / Bo-Xiang Wang / |
| 第1著者 所属（和/英） | National Taiwan University of Science and Technology (略称： 国立台湾科技大) National Taiwan University of Science and Technology (略称： NTUST) |
| 第2著者 氏名（和/英/ヨミ） | Ren-Feng Deng / Ren-Feng Deng / |
| 第2著者 所属（和/英） | National Taiwan University of Science and Technology (略称： 国立台湾科技大) National Taiwan University of Science and Technology (略称： NTUST) |
| 第3著者 氏名（和/英/ヨミ） | Yi-Wei Ma / Yi-Wei Ma / |
| 第3著者 所属（和/英） | National Taiwan University of Science and Technology (略称： 国立台湾科技大) National Taiwan University of Science and Technology (略称： NTUST) |
| 第4著者 氏名（和/英/ヨミ） | Jiann-Liang Chen / Jiann-Liang Chen / |
| 第4著者 所属（和/英） | National Taiwan University of Science and Technology (略称： 国立台湾科技大) National Taiwan University of Science and Technology (略称： NTUST) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-10-01 11:15:00 |
| 発表時間 | 25分 |
| 申込先研究会 | IA |
| 資料番号 | IA2020-1 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.177 |
| ページ範囲 | pp.1-5 |
| ページ数 | 5 |
| 発行日 | 2020-09-24 (IA) |
[研究会発表申込システムのトップページに戻る]