피싱 사이트 탐지를 위한 설명 가능한 다중 뷰 앙상블 모델
Explainable Multi-View Ensemble Model for Phishing Website Detection
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문에서는 피싱 사이트의 고도화된 공격 방식에 효과적으로 대응하기 위해서, 다양한 출처의 특징을 그룹화 한 멀티-뷰 앙상블 기반 피싱 탐지 모델을 제안한다. 총 113개의 특징을 URL, 도메인, 디렉토리, 파일, 파라미터, 네트 워크 등 6개 그룹으로 나누고, 각 그룹별로 LightGBM 모델을 독립적으로 학습하고, 이를 Soft Voting 기법으로 결과 를 통합하였다. 제안한 멀티-뷰 앙상블 모델은 실험 결과로 Accuracy 96.0%, F1-score 94.9% 등 모든 주요 지표에서 개별 모델 대비 우수한 탐지 성능을 보였다. 또한 SHAP 기반 설명 가능한 AI(XAI) 기법을 활용해, 특징별 기여도를 정량적 분석 및 시각화를 통해 모델의 해석 가능성을 확인하였다. 그리고, 외부 데이터셋에 대한 일반화 실험에서도 안정적인 탐지 성능을 유지하여 현실 적용 가능성과 확장성을 확인하였다. 본 연구에서 개발된 설명 가능한 다중 뷰 앙상블 모델 개발을 통해 피싱 사이트 탐지 및 예방에 기여하기를 기대한다.
Abstract
This study proposes a multiview ensemble-based phishing detection model to effectively respond to sophisticated phishing website attacks. A total of 113 features were categorized into six groups: URL, domain, directory, file, parameter, and network. Each group was independently trained using the LightGBM. The results were then integrated using a soft voting mechanism. The proposed model demonstrated superior performance over the individual models, achieving an accuracy of 96.0% and an F1-score of 94.9%. In addition, the SHAP-based explainable AI (XAI) technique was employed to quantitatively analyze and visualize the contribution of each feature group, thereby enhancing model interpretability and reliability. Generalization experiments on external datasets confirmed a stable detection performance, demonstrating the model’s applicability and scalability in real-world environments. We expect that the explainable multiview ensemble model developed in this study will contribute to the detection and prevention of phishing sites.