A Lightweight Neural Network Approach for Phishing URL Detection

तकनीकी सारांश: फ़िशिंग URL डिटेक्शन के लिए एक लाइटवेट न्यूरल नेटवर्क दृष्टिकोण

समस्या विवरण
फ़िशिंग हमले एक व्यापक साइबर खतरा हैं जहाँ दुर्भावनापूर्ण कर्ता (malicious actors) धोखाधड़ी वाली वेबसाइटों के माध्यम से उपयोगकर्ताओं को संवेदनशील जानकारी प्रकट करने के लिए छलते हैं। जैसे-जैसे हमलों की रणनीतियाँ विकसित हो रही हैं—जैसे डोमेन स्पूफिंग, अस्पष्टता (obfuscation) और संक्षिप्त URL का उपयोग करना—पारंपरिक पहचान तंत्र जैसे ब्लैकलिस्टिंग और नियम-आधारित प्रणालियाँ स्केलेबिलिटी और अनुकूलन क्षमता के मामले में संघर्ष करती हैं। इसके अलावा, मौजूदा डीप लर्निंग समाधान (जैसे CNN, LSTM, हाइब्रिड मॉडल) अक्सर महत्वपूर्ण कंप्यूटिंग संसाधनों की मांग करते हैं, जिससे वे IoT उपकरणों, मोबाइल सिस्टम और एज कंप्यूटिंग जैसे संसाधन-बाधित वातावरणों में वास्तविक समय में तैनाती के लिए अनुपयुक्त हो जाते हैं। एक ऐसे डिटेक्शन फ्रेमवर्क की तत्काल आवश्यकता है जो उच्च वर्गीकरण सटीकता (classification accuracy) के साथ कम कंप्यूटेशनल जटिलता और न्यूनतम प्रोसेसिंग ओवरहेड को संतुलित कर सके।

कार्यप्रणाली (Methodology)
यह शोध एक लाइटवेट न्यूरल नेटवर्क आर्किटेक्चर का प्रस्ताव करता है जिसे URL को या तो फ़िशिंग या वैध (legitimate) के रूप में वर्गीकृत करने के लिए डिज़ाइन किया गया है। यह अध्ययन PhiUSIIL Phishing URL डेटासेट का उपयोग करता है, जिसमें लगभग 235,795 इंस्टेंस (134,850 फ़िशिंग और 100,945 वैध URL) और 64 विशिष्ट विशेषताएं शामिल हैं, जिनमें डोमेन लंबाई, विशेष वर्णों की संख्या और प्रोटोकॉल संबंधी जानकारी शामिल है।

प्रायोगिक वर्कफ़्लो में निम्नलिखित प्रमुख घटक शामिल हैं:

1. डेटा प्रीप्रोसेसिंग: डेटासेट को नल (null) मानों को हटाने के लिए साफ किया जाता है और स्ट्रैटिफाइड सैंपलिंग का उपयोग करके 70% प्रशिक्षण और 30% परीक्षण सेट में विभाजित किया जाता है। कार्यप्रणाली में एक महत्वपूर्ण चरण फीचर मानों को 0–1 की सीमा में सामान्य करने के लिए Min-Max स्केलिंग का अनुप्रयोग है, जो अनस्केल्ड डेटा के विरुद्ध प्रदर्शन की तुलना करता है।
2. मॉडल आर्किटेक्चर: प्रस्तावित मॉडल एक उथला (shallow), लाइटवेट न्यूरल नेटवर्क है जिसमें शामिल है:
   • एक इनपुट लेयर जो स्केल्ड फीचर वेक्टर को स्वीकार करती है।
     ने
   • दो फुली कनेक्टेड हिडन लेयर्स जो वैनिशिंग ग्रेडिएंट (vanishing gradient) समस्याओं को कम करने के लिए ReLU एक्टिवेशन फंक्शन का उपयोग करती हैं।
   • रेगुलराइजेशन तकनीकें: ओवरफिटिंग को रोकने के लिए लेयर्स के बीच ड्रॉपआउट (दर 0.5) डाला गया है, और प्रत्येक हिडन लेयर के बाद ट्रेनिंग को स्थिर और तेज़ करने के लिए Batch Normalization लागू किया गया है।
   • बाइनरी क्लासिफिकेशन के लिए सिंगल न्यूरॉन और sigmoid एक्टिवेशन के साथ एक आउटपुट लेयर।
3. ट्रेनिंग कॉन्फ़िगरेशन: मॉडल को Binary Cross-Entropy लॉस का उपयोग करके प्रशिक्षित किया जाता है। अध्ययन दो ऑप्टिमाइज़र का मूल्यांकन करता है: Stochastic Gradient Descent (SGD) और Adam। हाइपरपैरामीटर्स, जैसे लर्निंग रेट, मोमेंटम, बैच साइज (32, 64, 128), और एपोक काउंट (50, 100, 150) को ट्यून किया जाता है।
4. मूल्यांकन: अध्ययन 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग करता है और Accuracy, Precision, Recall और F1-Score का उपयोग करके प्रदर्शन का विश्लेषण करता है।

प्रमुख योगदान
यह शोध साइबर सुरक्षा और मशीन लर्निंग के क्षेत्र में पांच प्राथमिक योगदानों को रेखांकित करता है:

• लाइटवेट आर्किटेक्चर: एक न्यूरल नेटवर्क का प्रस्ताव जो डिटेक्शन क्षमता से समझौता किए बिना विशेष रूप से संसाधन-बाधित वातावरण (IoT, मोबाइल) के लिए डिज़ाइन किया गया है।
• ऑप्टिमाइज़र तुलना: SGD और Adam ऑप्टिमाइज़र का तुलनात्मक विश्लेषण, जो दर्शाता है कि इस विशिष्ट कार्य के लिए Batch Normalization के साथ मिलकर SGD बेहतर स्थिरता और सटीकता प्रदान करता है।
• डेटा स्केलिंग का प्रभाव: प्रमाणिक साक्ष्य जो दिखाते हैं कि Min-Max स्केलिंग, कच्चे, अनस्केल्ड डेटा पर प्रशिक्षण की तुलना में मॉडल अभिसरण (convergence), स्थिरता और वर्गीकरण सटीकता में महत्वपूर्ण सुधार करती है।
• रेगुलराइजेशन एब्लेशन स्टडी: मात्रात्मक प्रयोग जो ओवरफिटिंग को रोकने और सामान्यीकरण (generalization) सुनिश्चित करने के लिए Dropout और L2 रेगुलराइजेशन दोनों की आवश्यकता की पुष्टि करते हैं।
• उच्च-प्रदर्शन बेंचमार्किंग: PhiUSIIL डेटासेट पर लगभग पूर्ण प्रदर्शन मेट्रिक्स की उपलब्धि, जो मॉडल की व्यावहारिकता को प्रमाणित करती है।

परिणाम
प्रायोगिक परिणाम संकेत देते हैं कि प्रस्तावित लाइटवेट दृष्टिकोण अत्यधिक प्रभावी है:

• स्केलिंग का प्रभाव: स्केल्ड डेटा पर प्रशिक्षित मॉडलों ने 99.47% सटीकता प्राप्त की, जबकि अनस्केल्ड डेटा पर यह 96.57% थी, जो प्रीप्रोसेसिंग की महत्वपूर्ण भूमिका को उजागर करती है।
• ऑप्टिमाइज़र प्रदर्शन: Adam ऑप्टिमाइज़र ने उच्चतम समग्र प्रदर्शन प्राप्त किया, जिसमें 99.98% सटीकता, 99.97% प्रिसिजन, 99.99% रिकॉल और 99.98% F1-Score रहा।
• रेगुलराइजेशन प्रभाव: Batch Normalization के समावेश ने सटीकता को 99.47% से बढ़ाकर 99.73% कर दिया। इसी तरह, Dropout और L2 रेगुलराइजेशन वाले मॉडलों ने 99.54% F1-Score प्राप्त किया।
• अंतिम कॉन्फ़िगरेशन: इष्टतम कॉन्फ़िगरेशन (Scaled data + Adam optimizer + Batch Normalization + Dropout) के परिणामस्वरूप एक ऐसा मॉडल प्राप्त हुआ जो शून्य के करीब फॉल्स पॉजिटिव और फॉल्स नेगेटिव के साथ फ़िशिंग URL को पहचानने में सक्षम है।

महत्व और दावे
लेखक दावा करते हैं कि यह शोध डिटेक्शन प्रिसिजन और कंप्यूटेशनल दक्षता के बीच के ट्रेड-ऑफ को संबोधित करते हुए, ब्राउज़र फिल्टर और मोबाइल सुरक्षा टूल जैसे वास्तविक समय के साइबर सुरक्षा अनुप्रयोगों के लिए एक व्यवहार्य ढांचा प्रदान करता है। अध्ययन का तर्क है कि सही हाइपरपैरामीटर्स और प्रीप्रोसेसिंग स्टेप्स के साथ सरल न्यूरल नेटवर्क को अनुकूलित करने से बड़े, विविध डेटासेट्स के भीतर भी प्रभावी ढंग से फ़िशिंग URL का पता लगाया जा सकता है।

इस कार्य का महत्व इस बात के प्रदर्शन में निहित है कि उच्च-सटीकता वाले फ़िशिंग डिटेक्शन के लिए जटिल, संसाधन-भारी डीप लर्निंग मॉडल अनिवार्य नहीं हैं। इसके बजाय, एक सावधानीपूर्वक ट्यून किया गया, लाइटवेट आर्किटेक्चर मजबूत सुरक्षा प्रदान कर सकता है। लेखक निष्कर्ष निकालते हैं कि उनका दृष्टिकोण साइबर सुरक्षा के लिए प्रभावी, स्केलेबल मशीन लर्निंग मॉडल के विकास में योगदान देता है, जो एक ऐसा डिफेंस मैकेनिज्म प्रदान करता है जो कंप्यूटेशनल रूप से कुशल और अत्यधिक सटीक है, तथा सीमित हार्डवेयर संसाधनों वाले वातावरण के लिए उपयुक्त है।