[論文レビュー] A Systematic Literature Review on Phishing and Anti-Phishing Techniques

Ayesha Arshad, Attique Ur Rehman+4 more|arXiv (Cornell University)|Apr 2, 2021

Spam and Phishing Detection参考文献 28被引用数 5

ひとこと要約

本稿は、80篇の選別済み論文を対象とした厳密なSLR手法を用いて、フィッシング攻撃とその対策技術を分析する体系的レビューである。主な攻撃タイプとしてスpear phishing、メールスプーフィング、メール改ざん、および電話フィッシングが特定され、機械学習に基づくアプローチが、その他の対フィッシング技術に比べて最高の検出精度を示したことが判明した。

ABSTRACT

Phishing is the number one threat in the world of internet. Phishing attacks are from decades and with each passing year it is becoming a major problem for internet users as attackers are coming with unique and creative ideas to breach the security. In this paper, different types of phishing and anti-phishing techniques are presented. For this purpose, the Systematic Literature Review(SLR) approach is followed to critically define the proposed research questions. At first 80 articles were extracted from different repositories. These articles were then filtered out using Tollgate Approach to find out different types of phishing and anti-phishing techniques. Research study evaluated that spear phishing, Email Spoofing, Email Manipulation and phone phishing are the most commonly used phishing techniques. On the other hand, according to the SLR, machine learning approaches have the highest accuracy of preventing and detecting phishing attacks among all other anti-phishing approaches.

研究の動機と目的

• 最近の文献を包括的に分析することで、最も一般的なフィッシング攻撃の種類を特定・分類すること。
• 特に機械学習のような新興技術に焦点を当てて、さまざまな対フィッシング技術の有効性を評価すること。
• フィッシング検出および防止分野における現在の研究動向とギャップを、体系的かつ証拠に基づいた概要として提供すること。
• 体系的文献レビュー（SLR）手法を用いて80篇の同行査読済み論文を統合することで、今後の研究を支援すること。

提案手法

• 複数の学術データベースから抽出した80篇の論文を対象に、Tollgateアプローチに従った体系的文献レビュー（SLR）を実施し、選別・分析を行った。
• 研究の妥当性と関連性を確保するため、事前に定義された含む・含まない基準を適用して論文選定を実施した。
• 主題分析に基づき、スpear phishing、メールスプーフィング、メール改ざん、および電話フィッシングなどのカテゴリに分類してフィッシング手法を分類した。
• 検出精度、スケーラビリティ、実装の複雑さを比較することで、さまざまなアプローチにおける対フィッシング技術を評価した。
• 動的なフィッシング環境において高い性能と適応性を示すとして、機械学習ベースの手法を優先した。
• 選定された文献からの実証的結果に焦点を当て、攻撃の傾向と防御戦略に関する体系的な概要に統合した。

実験結果

リサーチクエスチョン

• RQ1 最近の文献で報告された最も一般的なフィッシング手法の種類は何か？
• RQ2 検出精度と実装可能性の観点から、さまざまな対フィッシング技術はどのように比較できるか？
• RQ3 どの対フィッシングアプローチが、フィッシング攻撃の防止または検出において最高のパフォーマンスを示しているか？
• RQ4 文献から同定されたフィッシング検出および緩和分野における主な研究ギャップと動向は何か？
• RQ5 機械学習ベースの手法は、従来のルールベースまたはシグネチャベースの対フィッシング技術に比べてどのように優れているか？

主な発見

• スpear phishing、メールスプーフィング、メール改ざん、および電話フィッシングは、最近の文献で最も頻繁に報告され、広く使用されているフィッシング手法である。
• 機械学習ベースの対フィッシング技術は、ルールベース、ヒューリスティック、またはシグネチャベースの手法と比較して、一貫して最高の検出精度を報告している。
• 体系的レビューでは、適応性と精度の高さから、教師あり学習およびアンサンブル学習モデルのフィッシング検出への応用が増加している傾向が明らかになった。
• 高い精度にもかかわらず、機械学習アプローチは、モデルの一般化能力、データ不足、および実環境での敵対的攻撃の影響といった課題に直面している。
• 研究間で標準化された評価指標やベンチマークデータセットが著しく不足しており、対フィッシング技術の直接比較が制限されている。
• 本レビューでは、リアルタイム検出、ユーザ行動分析、およびマルチモーダルデータ（例：メール本文、メタデータ、ネットワークトラフィック）の統合を含む対フィッシングシステムにおけるさらなる研究の必要性が強調された。