💻 computer science

PHISHREV: A Hybrid Machine Learning and Post-Hoc Non-monotonic Reasoning Framework for Context-Aware Phishing Website Classification

यह शोध पत्र PHISHREV को प्रस्तुत करता है, जो एक हाइब्रिड फ्रेमवर्क है जो मशीन लर्निंग क्लासिफायर को 'आंसर सेट प्रोग्रामिंग' पर आधारित एक पोस्ट-हॉक नॉन-मोनोटोनिक रीजनिंग लेयर के साथ एकीकृत करके फिशिंग डिटेक्शन को बेहतर बनाता है, जो मॉडल को पुन: प्रशिक्षित किए बिना भविष्यवाणियों को परिष्कृत करने और नए डोमेन नियमों को कुशलतापूर्वक शामिल करने के लिए विशेषज्ञ ज्ञान का लाभ उठाता है।

मूल लेखक: Mainak Sen, Kumar Sankar Ray, Amlan Chakrabarti

प्रकाशित 2026-04-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mainak Sen, Kumar Sankar Ray, Amlan Chakrabarti

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक हाई-टेक ऑफिस बिल्डिंग के प्रवेश द्वार पर एक सुरक्षा गार्ड हैं। आपका काम घुसपैठियों (फिशिंग वेबसाइटों) को अंदर आने से रोकना है जबकि वैध आगंतुकों (सुरक्षित वेबसाइटों) को गुजरने देना है।

यह शोध पत्र, जिसका शीर्षक PHISHREV है, इस सुरक्षा चेकपॉइंट को चलाने का एक नया तरीका पेश करता है। केवल एक तरीके पर निर्भर रहने के बजाय, वे दो-चरणीय टीम का उपयोग करते हैं: एक फास्ट स्कैनर (तेज़ स्कैनर) और एक स्मार्ट डिटेक्टिव (चतुर जासूस)।

यह सिस्टम कैसे काम करता है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "फास्ट स्कैनर" को बेवकूफ बनाया जाता है

सिस्टम का पहला भाग एक मानक मशीन लर्निंग मॉडल (एक "फास्ट स्कैनर") है। इस स्कैनर को एक ऐसे रोबोट के रूप में सोचें जिसने इस आधार पर नियमों की एक सूची याद कर ली है कि URL (वेबसाइट पते) कैसे दिखते हैं।

यह कैसे काम करता है: यह वेब एड्रेस में अक्षरों और नंबरों को देखता है। यदि यह संदिग्ध पैटर्न देखता है (जैसे अजीब वर्ण या गलत स्पेलिंग वाले ब्रांड नाम), तो यह चिल्लाता है, "घुसपैठिया!"
दोष: हैकर्स चतुर होते हैं। वे पते को थोड़ा बदलकर (जैसे 'l' को 'i' से बदलना या एक रैंडम नंबर जोड़ना) स्कैनर को धोखा दे सकते हैं। क्योंकि स्कैनर केवल कच्चे टेक्स्ट (raw text) को देखता है, वह भ्रमित हो जाता है और कभी-कभी बुरे लोगों को अंदर आने देता है, या इससे भी बुरा, अच्छे लोगों को प्रवेश करने से रोकता है (गलत अलार्म)।

2. समाधान: "स्मार्ट डिटेक्टिव" (पोस्ट-हॉक रीजनिंग)

यहीं पर इस पेपर का नया विचार आता है। फास्ट स्कैनर के निर्णय लेने के बाद, दूसरा स्तर सक्रिय हो जाता है। यह स्मार्ट डिटेक्टिव है, जो आंसर सेट प्रोग्रामिंग (ASP) नामक एक लॉजिक सिस्टम द्वारा संचालित है।

डिटेक्टिव को एक मानव विशेषज्ञ के रूप में सोचें जो केवल आईडी कार्ड (URL) ही नहीं देखता; बल्कि वह आगंतुक के बैगपैक (वेबसाइट के छिपे हुए मेटाडेटा) की भी जांच करता है।

सुराग: वैध वेबसाइटों के पास अक्सर मददगार टैग्स (जैसे विवरण, लेखक के नाम और कीवर्ड) से भरा एक "बैगपैक" होता है जो सर्च इंजन को उन्हें खोजने में मदद करते हैं। फिशिंग साइटें अक्सर अपने पदचिह्नों को छिपाने के लिए अपना बैगपैक खाली छोड़ देती हैं।
तर्क: डिटेक्टिव एक सरल नियम का पालन करता है: "यदि फास्ट स्कैनर कहता है कि 'घुसपैठिया' है, लेकिन आगंतुक के पास एक भरा हुआ बैगपैक (मेटा टैग्स) है, तो शायद स्कैनर ने गलती की है। चलिए उन्हें संदेह का लाभ देते हैं और उन्हें अंदर जाने देते हैं।"

3. "मन बदलने" का जादू

कंप्यूटर लॉजिक की दुनिया में, अधिकांश सिस्टम मोनोटोनिक (Monotonic) होते हैं। इसका मतलब है कि एक बार जब वे कुछ तय कर लेते हैं, तो वे उस पर टिके रहते हैं, भले ही नए सबूत सामने आ जाएं। यह एक न्यायाधीश की तरह है जो कहता है, "दोषी," और फिर नए सबूतों को सुनने से इनकार कर देता है।

PHISHREV सिस्टम नॉन-मोनोटोनिक रीजनिंग (Non-Monotonic Reasoning) का उपयोग करता है। यह एक ऐसे न्यायाधीश की तरह है जो कहता है, "मुझे शुरू में लगा कि आप दोषी हैं, लेकिन अब जब मैं यह नया सबूत (मेटा टैग्स) देख रहा हूँ, तो मैं अपना विचार बदल रहा हूँ।"

सिस्टम किसी पिछले "फिशिंग" फैसले को औपचारिक रूप से वापस ले सकता है यदि नया संदर्भ इसे गलत साबित करता है।
इसे इस नए नियम को सीखने के लिए दोबारा स्कूल जाने (मॉडल को फिर से प्रशिक्षित करने) की आवश्यकता नहीं है। यह बस डिटेक्टिव की नोटबुक में एक नया नोट जोड़ देता है।

4. उन्होंने क्या पाया?

शोधकर्ताओं ने इसका परीक्षण 11,000 से अधिक वेबसाइटों पर किया।

परिणाम: "फास्ट स्कैनर" ने कुछ गलतियाँ कीं। "स्मार्ट डिटेक्टिव" ने हस्तक्षेप किया और लगभग 5% गलतियों को सुधारा।
लाभ: विशेष रूप से, इसने सिस्टम को निर्दोष वेबसाइटों पर झूठा आरोप लगाने से रोका (फॉल्स पॉजिटिव को कम किया)। इसका मतलब है कि कम वैध उपयोगकर्ता ब्लॉक होते हैं, और सुरक्षा गार्ड गलत अलार्म के पीछे भागते हुए थकते नहीं हैं।
गति: डिटेक्टिव के लॉजिक में इन नए नियमों को जोड़ना अविश्वसनीय रूप से तेज़ (तत्काल) था, जबकि फास्ट स्कैनर को एक नया तरीका सिखाने में बहुत लंबा समय लगता और पूरे सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता होती।

सारांश उपमा (Analogy)

कल्पना कीजिए कि आप मेल (डाक) छाँट रहे हैं:

मशीन (चरण 1): एक रोबोट पत्रों को छाँटता है। यदि कोई पत्र अजीब दिखता है, तो वह उसे "संदिग्ध" बिन में डाल देता है।
मानव (चरण 2): एक मानव निरीक्षक "संदिग्ध" बिन की जांच करता है। वह देखता है कि कुछ पत्रों पर एक अच्छा, आधिकारिक रिटर्न एड्रेस स्टैम्प है (मेटा टैग्स)। भले ही रोबोट ने सोचा कि वे अजीब थे, मानव महसूस करता है, "ओह, यह वास्तव में एक वैध व्यावसायिक पत्र है!" और उन्हें वापस "सुरक्षित" ढेर में रख देता है।

पेपर का दावा है: यह हाइब्रिड दृष्टिकोण सुरक्षा प्रणाली को बिना रोबोट को बार-बार शून्य से बनाए बिना, स्मार्ट और लचीला बनाता है। यह साबित करता है कि एक तेज़ कंप्यूटर को एक तार्किक "दूसरी राय" के साथ जोड़ना, उन फिशिंग हमलों को पकड़ने का एक शक्तिशाली तरीका है जो छिपने की कोशिश करते हैं।

यहाँ "PHISHREV: A Hybrid Machine Learning and Post-Hoc Non-monotonic Reasoning Framework for Context-Aware Phishing Website Classification" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान फिशिंग डिटेक्शन सिस्टम मुख्य रूप से स्टैटिक डेटासेट्स पर प्रशिक्षित सांख्यिकीय मशीन लर्निंग (ML) और डीप लर्निंग मॉडल्स पर निर्भर हैं। ज्ञात पैटर्न की पहचान करने में प्रभावी होने के बावजूद, इन मॉडल्स में कई गंभीर सीमाएँ हैं:

संदर्भगत तर्क का अभाव (Lack of Contextual Reasoning): वे तार्किक तर्क के बजाय सांख्यिकीय सहसंबंधों (statistical correlations) पर निर्भर करते हैं, जिससे वे एडवरसैरियल मैनिपुलेशन (जैसे, टाइपो-स्क्वैटिंग, कैरेक्टर स्वैपिंग) के प्रति संवेदनशील हो जाते हैं।
स्थिर प्रकृति (Static Nature): एक बार प्रशिक्षित होने के बाद, ये मॉडल बिना महंगे रिट्रेनिंग के नए हमले के पैटर्न या नए डोमेन ज्ञान को आसानी से शामिल नहीं कर सकते।
फॉल्स पॉजिटिव (False Positives): शुद्ध लेक्सिकल-आधारित क्लासिफायर अक्सर वैध साइटों को गलत वर्गीकृत कर देते हैं या परिष्कृत फिशिंग प्रयासों को पकड़ने में विफल रहते हैं जो वैध URL संरचनाओं की नकल करते हैं।
अलचीलापन (Inflexibility): नए नियमों (जैसे, विशिष्ट मेटा-टैग व्यवहार) को शामिल करने के लिए आमतौर पर पूरे मॉडल को फिर से इंजीनियर करने और रिट्रेन करने की आवश्यकता होती है।

लेखकों का तर्क है कि फिशिंग डिटेक्शन के लिए वास्तविक दुनिया के वातावरण में गतिशील, अपूर्ण या विरोधाभासी जानकारी को संभालने के लिए मानव जैसी तर्क क्षमता (human-like reasoning) और विश्वास संशोधन (belief revision) क्षमताओं की आवश्यकता है।

2. कार्यप्रणाली: PHISHREV फ्रेमवर्क (Methodology: The PHISHREV Framework)

प्रस्तावित समाधान एक दो-चरणीय हाइब्रिड फ्रेमवर्क है जो डेटा-संचालित सांख्यिकीय शिक्षण को सिम्बोलिक नॉन-मोनोटोनिक रीजनिंग के साथ जोड़ता है।

चरण 1: सांख्यिकीय शिक्षण (प्रारंभिक विश्वास निर्माण) (Statistical Learning: Initial Belief Generation)

इनपुट: 87 लेक्सिकल फीचर्स वाले 11,430 URL (50% फिशिंग, 50% वैध) का एक डेटासेट।
प्रक्रिया:
- फीचर्स को 'स्टैंडर्ड स्केलर' का उपयोग करके नॉर्मलाइज़ किया जाता है।
- चार मानक ML क्लासिफायर प्रशिक्षित किए जाते हैं: सपोर्ट वेक्टर मशीन (SVM), K-नियरस्ट नेबर (KNN), डिसीजन ट्री (DT), और रैंडम फॉरेस्ट (RF)।
- क्लासिफायर एक प्रारंभिक भविष्यवाणी ( $C \in \{0, 1\}$ ) उत्पन्न करते हैं, जो यह दर्शाता है कि URL वैध है या फिशिंग (यह "प्रारंभिक विश्वास" का प्रतिनिधित्व करता है)।

चरण 2: पोस्ट-हॉक नॉन-मोनोटोनिक रीजनिंग (विश्वास संशोधन) (Post-Hoc Non-Monotonic Reasoning: Belief Revision)

मुख्य अवधारणा: यह परत Clingo सॉल्वर के माध्यम से आंसर सेट प्रोग्रामिंग (ASP) का उपयोग करके नॉन-मोनोटोनिक रीजनिंग करती है। मोनोटोनिक लॉजिक (जहाँ तथ्य जोड़ने से पिछले निष्कर्ष कभी अमान्य नहीं होते) के विपरीत, नॉन-मोनोटोनिक रीजनिंग सिस्टम को तब निष्कर्ष वापस लेने या संशोधित करने की अनुमति देती है जब नई, विरोधाभासी साक्ष्य सामने आते हैं।
नॉलेज बेस का निर्माण:
- क्लासिफायर भविष्यवाणियों को तथ्यों के रूप में एनकोड किया जाता है: pred(CL, ID, C)।
- वेब पेजों को पार्स करके मेटा-टैग उपलब्धता निकाली जाती है (डिस्क्रिप्शन, कीवर्ड्स, ऑथर)। इसे इस प्रकार एनकोड किया जाता है: meta(ID, M) जहाँ $M \in \{yes, no\}$ ।
तर्क नियम (The Reasoning Rule):
सिस्टम एक डोमेन-विशिष्ट एक्सिओम लागू करता है: यदि एक URL को फिशिंग के रूप में अनुमानित किया गया है लेकिन इसमें वैध मेटा-टैग मौजूद हैं (जो वैध साइटों की विशेषता है), तो भविष्यवाणी को "बेनाइन" (benign) में बदल दिया जाएगा।
- लॉजिक: यदि $C = \text{phishing} \land M = \text{yes} \rightarrow \text{Final Belief} = \text{benign}$ ।
- अन्यथा, क्लासिफायर की मूल भविष्यवाणी बनी रहती है।
परिणाम: यह परत एक "पोस्ट-हॉक" फिल्टर के रूप में कार्य करती है जो सांख्यिकीय थ्रेशोल्ड के बजाय सिम्बोलिक नियमों के आधार पर विशिष्ट उदाहरणों को चुनिंदा रूप से संशोधित करती है।

3. प्रमुख योगदान (Key Contributions)

हाइब्रिड फ्रेमवर्क: संदर्भ-जागरूक निर्णय शोधन के लिए ML क्लासिफायर और ASP-आधारित नॉन-मोनोटोनिक रीजनिंग का एकीकरण।
नवीन फीचर इंजीनियरिंग: वेब पेजों को स्वतंत्र रूप से पार्स करके मेटा-टैग उपलब्धता को दर्शाने वाला एक बाइनरी फीचर बनाना, जो वैध साइटों (जिनमें आमतौर पर मेटा-टैग होते हैं) और फिशिंग साइटों (जो अक्सर उन्हें छोड़ देती हैं) के बीच अंतर करता है।
कुशल ज्ञान एकीकरण: बिना अंडरलाइंग ML मॉडल्स को रिट्रेन किए, $O(n)$ समय में डोमेन ज्ञान (जैसे, नए इवेजन स्ट्रैटेजी या वैधता संकेत) को शामिल करने की क्षमता।
4- औपचारिक विश्वास संशोधन (Formal Belief Revision): यह प्रदर्शित करना कि जब विरोधाभासी साक्ष्य (मेटा-टैग) मौजूद हों, तो क्लासिफायर की गलत भविष्यवाणियों को वापस लेने के लिए औपचारिक तर्क का उपयोग कैसे किया जाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन 80% ट्रेनिंग और 20% टेस्टिंग (2,286 टेस्ट इंस्टेंस) में विभाजित एक डेटासेट पर किया गया।

प्रारंभिक क्लासिफायर प्रदर्शन:
- रैंडम फॉरेस्ट (RF) ने 95.89% की उच्चतम सटीकता प्राप्त की, इसके बाद SVM (96.32% - नोट: टेबल I में SVM थोड़ा अधिक दिखाया गया है, लेकिन टेक्स्ट के संदर्भ में RF को सबसे अच्छा प्रदर्शन करने वाला बताया गया है)।
- सभी क्लासिफायर उच्च प्रिसिजन और रिकॉल (>0.94) दिखाते हैं।
विश्वास संशोधन का प्रभाव (Belief Revision Impact):
- रीजनिंग मॉड्यूल ने 9,144 कुल भविष्यवाणियों में से 465 भविष्यवाणियों को संशोधित किया (लगभग 5.08% निर्णय)।
- फॉल्स पॉजिटिव (FP) में कमी: रिवीज़न लेयर ने सभी क्लासिफायर में फॉल्स पॉजिटिव को लगातार कम किया:
  - SVM: 41 $\to$ 30
  - KNN: 47 $\to$ 34
  - DT: 69 $\to$ 48
  - RF: 49 $\to$ 35
- केस स्टडी: सिस्टम ने उन मामलों को सफलतापूर्वक सुधारा जहाँ क्लासिफायर ने "फिशिंग" की भविष्यवाणी की थी लेकिन मेटा-टैग की उपस्थिति ने "वैध" होने का संकेत दिया था, और इसके विपरीत भी।
जटिलता तुलना (Complexity Comparison):
- ट्रेनिंग जटिलता: $O(T \cdot n \cdot f \cdot \log n)$ (मानक ML के समान)।
- NMR ओवरहेड: $O(n)$ (लीनियर टाइम)।
- रिट्रेनिंग: जब रीजनिंग नियमों को अपडेट किया जाता है, तो ML मॉडल्स के लिए रिट्रेनिंग की आवश्यकता नहीं होती है, जो स्टेट-ऑफ-द-आर्ट मोनोटोनिक तरीकों की तुलना में एक महत्वपूर्ण लाभ प्रदान करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

PHISHREV पारंपरिक फिशिंग डिटेक्शन सिस्टम की कठोरता को संबोधित करता है। सांख्यिकीय शिक्षण चरण को निर्णय शोधन चरण से अलग करके, यह एक लचीला आर्किटेक्चर प्रदान करता है जो डीप लर्निंग मॉडल्स को रिट्रेन करने की कम्प्यूटेशनल लागत के बिना नए खतरों के अनुकूल हो सकता है।

लाभ:
- फॉल्स पॉजिटिव को कम करके "अलर्ट फटीग" (alert fatigue) को कम करता है।
- सिम्बोलिक नियमों (ASP) के माध्यम से व्याख्यात्मकता (interpretability) प्रदान करता है।
- विशेषज्ञ ज्ञान को तेजी से शामिल करने में सक्षम बनाता है।
सीमाएं और भविष्य का कार्य:
- वर्तमान सिस्टम एक एकल हैंड-क्राफ्टेड नियम (मेटा-टैग उपलब्धता) पर निर्भर है।
- एडवरसैरियल हमलावर रीजनिंग लेयर को चकमा देने के लिए मेटा-टैग व्यवहार की नकल करना शुरू कर सकते हैं।
- भविष्य के कार्यों में परिष्कृत एडवरसैरियल रेप्लिकेशन को संभालने के लिए मल्टी-रूल रीजनिंग स्ट्रैटेजी और अतिरिक्त प्रासंगिक साक्ष्य को शामिल करना शामिल है।

संक्षेप में, PHISHREV यह प्रदर्शित करता है कि सांख्यिकीय भविष्यवाणी को सिम्बोलिक नॉन-मोनोटोनिक रीजनिंग के साथ जोड़कर फिशिंग हमलों के खिलाफ अधिक मजबूत, अनुकूलनीय और संदर्भ-जागरूक रक्षा बनाई जा सकती है।