基于机器学习的钓鱼URL检测器的可靠性与鲁棒性分析
密码学与安全
2022-11-28 v3 机器学习
摘要
基于机器学习的钓鱼URL(MLPU)检测器可作为保护用户与组织免遭钓鱼攻击受害的第一道防线。近来,少数研究对特定MLPU检测器发起了成功的对抗攻击,引发了对其实际可靠性与可用性的质疑。然而,这些系统的鲁棒性尚未得到广泛研究。因此,这些系统的一般安全性漏洞在很大程度上仍属未知,亟需对其鲁棒性进行测试。本文中,我们提出了一种方法论,以研究50个具代表性的最先进MLPU模型的可靠性与鲁棒性。首先,我们提出了一种高性价比的对抗URL生成器URLBUG,其创建了一个对抗URL数据集。随后,我们复现了50个MLPU(传统机器学习与深度学习)系统并记录其基线性能。最后,我们在对抗数据集上测试所考虑的MLPU系统,并利用箱线图与热力图分析其鲁棒性与可靠性。我们的结果表明,所生成的对抗URL具有合法语法,且可以中位数每年Adv_\mathrm{data}$测试时从中位数0.92降至0.02,表明基线MLPU模型在其当前形式下不可靠。进一步,我们的发现识别了这些系统的若干安全性漏洞,并为研究者设计可信且安全的MLPU系统提供了未来方向。
引用
@article{arxiv.2005.08454,
title = {Reliability and Robustness analysis of Machine Learning based Phishing URL Detectors},
author = {Bushra Sabir and M. Ali Babar and Raj Gaire and Alsharif Abuadbba},
journal= {arXiv preprint arXiv:2005.08454},
year = {2022}
}
备注
Accepted in Transactions of Dependable and Secure Computing (SI-Reliability and Robustness in AI-Based Cybersecurity Solutions)