SECURITYセキュリティ
デジタルインフラにおけるフィッシング検知とサイバーセキュリティ意識のための機械学習アプローチ
Machine learning approaches for phishing detection and cybersecurity awareness in digital infrastructure
FIFrontiers in Artificial Intelligence · CC BY 4.0
AIが原文を翻訳・要約しています
本記事では、11,430件のバランスの取れたコーパスと87のエンジニアリング済み特徴量を用いた、データ漏洩制御済みのエンドツーエンドの機械学習フレームワークによるフィッシング検出手法を提案している。11種類の異種分類器をベンチマークし、LightGBMがF1スコア0.9699、AUC 0.9943で最も優れた性能を達成し、他の分類器を大きく上回った。また、CNN-BiLSTMハイブリッドモデルはF1スコア0.9652、再現率0.9703を記録した。Tree SHAPとPermutation Importanceを用いた説明可能なAIの手法により、上位15特徴量のうち11個で一致が見られ、外部評判指標とURLの語彙的複雑さの指標が区別された。厳格なデータ漏洩制御により、達成されたパフォーマンスが高精度であることが確認されており、技術的検出結果をエンドユーザーのトレーニング向けサイバーセキュリティ意識向上ガイドラインへ繋げることが示されている。
KEY POINTS要点記事から抽出した重要情報
- 11種類の異種分類器を用いたベンチマークの結果、LightGBMがF1スコア0.9699、AUC 0.9943で最も優れた性能を達成し、CNN-BiLSTMハイブリッドモデルもF1スコア0.9652を記録した。
- Tree SHAPとPermutation Importanceを用いた説明可能なAIの手法により、上位15特徴量のうち11個で一致が確認された。
CONTEXT文脈編集部による背景整理
フィッシング検出においてLightGBMやCNN-BiLSTMなどの機械学習モデルを高精度に適用し、さらにTree SHAP等で説明可能性を担保した実用的なサイバーセキュリティソリューションである。データ漏洩制御が徹底されており、セキュリティインフラやエンドユーザー向けトレーニング製品への応用価値が高い。
原文を読むAnalyzed at 2026年10月5日 15:02