특징 중요도 기반 앙상블 학습과 변이 도메인 탐지를 활용한 실시간 악성 URL 탐지 시스템
Real-time Malicious URL Detection System using Feature Importance-based Ensemble Learning and Variant Domain Detection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 HTTPS 인증서를 악용한 피싱 공격이 증가하면서 기존의 블랙리스트 기반 탐지 방식으로는 효과적인 대응이 어려워 지고 있다. 본 논문에서는 다중 특징 중요도 기반의 앙상블 학습과 변이 도메인 탐지를 결합한 실시간 악성 URL 탐지 시스템 SHIELD를 제안한다. 제안하는 시스템은 Random Forest, XGBoost 등 11개의 머신러닝 알고리즘을 결합한 앙상블 모델을 기반 으로 하며, 기본적인 URL 특징 26가지를 분석하여 가중치를 최적화한다. 여기에 문자 치환 패턴, 시각적 유사도, 도메인 구조 분석 등 3가지 변이 도메인 탐지 특징을 추가로 도입하여 탐지 정확도를 향상시켰다. 실험 결과, 제안된 시스템은 87.72%의 정 확도와 0.9320의 ROC AUC 점수를 달성하였으며, 브라우저 확장 프로그램 형태로 구현되어 실시간 보안 위협에 효과적으로 대 응할 수 있음을 확인하였다.
Abstract
As phishing attacks exploiting HTTPS certificates increase, conventional blacklist-based detection methods are becoming less effective. This paper proposes SHIELD, a real-time malicious URL detection system that combines multi-feature importance-based ensemble learning with variant domain detection. The proposed system is based on an ensemble model combining 11 machine learn ing algorithms including Random Forest and XGBoost, and utilizes 26 basic URL features for weight optimization. The system’s de tection accuracy was improved by introducing three additional features for variant domain detection: character substitution patterns, visual similarity, and domain structure analysis. Experimental results show that the proposed system achieved 87.72% accuracy and 0.9320 ROC AUC score, and confirmed its effectiveness in responding to real-time security threats through implementation as a browser extension.