フィッシング検出のためのAIによる画像解析

要旨: フィッシングWebサイトは現在、テキストおよびURLベースのシステムによる検知を回避するために、視覚的に模倣された（コピーされた）ロゴ、類似したレイアウト、そして一致した色に大きく依存しています。本論文では、Webページのスクリーンショットを用いる画像ベースのフィッシング検知のための深層学習アプローチを提示します。ConvNeXt-Tiny および Vision Transformer（ViT-Base）の2つのビジョンモデルを用いて、視覚的に欺瞞的なフィッシングページをどの程度うまく扱えるかを検証しました。この枠組みには、データセット作成、前処理、ImageNetの重みを用いた転移学習、ならびに異なる決定閾値を用いた評価が含まれます。その結果、ConvNeXt-Tiny は全体として最も良好な性能を示し、最適化された閾値で最高のF1スコアを達成し、ViT-Base よりも効率よく動作することが分かりました。これは、視覚的フィッシング検知における畳み込みモデルの強みを示すとともに、実運用において閾値調整が重要である理由を明らかにします。今後の作業として、本研究で用いた厳選データセットを公開し、再現性を支援し、この分野におけるさらなる研究を促します。精度を主に報告する既存研究の多くとは異なり、本研究は、実運用環境をより正確に反映するために、閾値を意識した評価により大きな重点を置いています。異なる決定閾値にわたって適合率、再現率、F1スコアを調べることで、本研究は検知性能と誤警報の制御のバランスをとる運用上のポイントを特定します。さらに、同一の実験設定のもとでの ConvNeXt-Tiny と ViT-Base の並列比較により、視覚的フィッシング検知において、畳み込み型アーキテクチャとトランスフォーマーベースのアーキテクチャが頑健性および計算効率の点でどのように異なるのかについて、実践的な洞察を提供します。