Detection of the Malicious URL Using the Language Models
यह शोध पत्र दुर्भावनापूर्ण यूआरएल (URLs) में वाक्यांशों के अर्थ संबंधी अर्थ को पकड़ने के लिए भाषा मॉडल, विशेष रूप से BERT का उपयोग करने का प्रस्ताव देता है, जिससे केवल शाब्दिक और सांख्यिकीय विशेषताओं पर निर्भर पारंपरिक विधियों की तुलना में मल्टीक्लास वर्गीकरण सटीकता में 99.7% तक का महत्वपूर्ण सुधार प्राप्त होता है।
मूल पेपर CC BY 4.0 (https://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
इंटरनेट आधुनिक जीवन का केंद्रीय तंत्रिका तंत्र बन गया है, एक विशाल नेटवर्क जहाँ संगठन सेवाएँ प्रदान करते हैं और लोग वेब पतों के माध्यम से जानकारी साझा करते हैं। ये पते, जिन्हें URL कहा जाता है, वेब पर विशिष्ट पृष्ठों को खोलने वाली कुंजियाँ हैं। हालाँकि, जिस तरह एक भौतिक कुंजी का उपयोग उस दरवाजे को खोलने के लिए किया जा सकता है जिसे उसे नहीं खोलना चाहिए, उसी तरह एक डिजिटल लिंक को धोखा देने के लिए बनाया जा सकता है। दुर्भावनापूर्ण (malicious) URL ये जाली कुंजियाँ हैं; ये वे लिंक हैं जो उपयोगकर्ताओं को ऐसी साइटों पर जाने के लिए बहलाने के लिए डिज़ाइन किए गए हैं जो पैसा चुरा सकती हैं, निजी जानकारी निकाल सकती हैं, या उनके उपकरणों पर हानिकारक सॉफ़्टवेयर इंस्टॉल कर सकती हैं। जबकि कुछ खतरे स्पष्ट होते हैं, कई सूक्ष्म होते हैं, और एक सुरक्षित लिंक को खतरनाक लिंक से अलग करना औसत व्यक्ति के लिए अक्सर कठिन होता है। इन डिजिटल जाल से बचने के लिए, सुरक्षा विशेषज्ञों ने लंबे समय से ज्ञात बुरे लिंक की सूचियों पर भरोसा किया है, लेकिन ये सूचियाँ केवल उन्हें ही रोक सकती हैं जिन्हें वे पहले ही देख चुके हैं। जब कोई नया, अनदेखा खतरा सामने आता है, तो पुरानी सूचियाँ विफल हो जाती हैं। इस सीमा ने शोधकर्ताओं को स्मार्ट तरीकों की तलाश करने के लिए प्रेरित किया है, जो केवल चेकलिस्ट से आगे बढ़कर ऐसे सिस्टम विकसित करें जो वास्तव में एक वेब पते के पीछे के अर्थ को समझ सकें।
हाल ही में एक अध्ययन में, क़ोम विश्वविद्यालय और इस्लामिक आज़ाद विश्वविद्यालय के शोधकर्ताओं ने कंप्यूटर को एक वेब पते के भीतर शब्दों के अर्थ को पढ़ने के लिए प्रशिक्षित करके इस चुनौती का सामना किया, न कि केवल उनके वर्णों (characters) को गिनकर। वर्षों से, स्वचालित प्रणालियाँ पते के आकार और संरचना को देखकर दुर्भावनापूर्ण लिंक का पता लगाने की कोशिश करती रही हैं—जैसे कि पते की लंबाई मापना, प्रतीकों की संख्या गिनना, या यह जांचना कि क्या इसमें अक्षरों की संदिग्ध स्ट्रिंग्स शामिल हैं। ये विधियाँ कई मामलों में अच्छा काम करती हैं, लेकिन वे भाषा की बारीकियों को समझने में चूक जाती हैं। एक दुर्भावनापूर्ण लिंक निर्दोष दिखने वाले शब्दों का उपयोग इस तरह से कर सकता है जो घोटाले का संकेत देता है, ठीक वैसे ही जैसे एक फिशिंग ईमेल पासवर्ड माँगने के लिए विनम्र भाषा का उपयोग करता है। शोधकर्ताओं ने महसूस किया कि इन परिष्कृत चालों को पकड़ने के लिए, एक प्रणाली को शब्दों के बीच के अर्थ संबंधी संबंध (semantic relationship) को समझने की आवश्यकता है, या यह कि वे एक विशिष्ट अर्थ बनाने के लिए एक साथ कैसे फिट होते हैं। ऐसा करने के लिए, वे भाषा मॉडल (language models) की ओर मुड़े, जो उन्नत कंप्यूटर प्रोग्राम हैं जिन्हें मानव भाषा में शब्द एक-दूसरे से कैसे संबंधित हैं, इसे समझने के लिए विशाल मात्रा में टेक्स्ट पर प्रशिक्षित किया गया है।
टीम ने यह देखने के लिए इन चार अलग-अलग प्रकार के भाषा मॉडलों का परीक्षण किया कि कौन सा मॉडल URL के पीछे के इरादे (intent) की पहचान करने में सबसे अच्छा कर सकता है। पहले दो, Word2vec और GloVe, ऐसी प्रणालियाँ हैं जो शब्दों को टेक्स्ट में उनके पास दिखने की आवृत्ति के आधार पर एक गणितीय स्थान में मैप करती हैं। वे यह समझने में अच्छे हैं कि "किंग" और "क्वीन" जैसे शब्द संबंधित हैं, लेकिन वे प्रत्येक शब्द को अलग-थलग मानते हैं, बिना पूरे वाक्य के संदर्भ (context) पर विचार किए। तीसरा मॉडल, LASER, को एक साथ कई विभिन्न भाषाओं को संभालने के लिए डिज़ाइन किया गया था, जो वाक्यों को एक साझा स्थान में मैप करता है, हालांकि यह व्यक्तिगत शब्दों के सूक्ष्म विवरणों के बजाय पूरे वाक्य पर ध्यान केंद्रित करता है। अंतिम मॉडल, BERT, एक अधिक हालिया और शक्तिशाली उपकरण है जो एक शब्द को उसके आसपास के सभी शब्दों के संदर्भ में देखता है, चाहे वे उससे पहले हों या बाद में। यह इसे अर्थ के उन सूक्ष्म अंतरों को समझने की अनुमति देता है जो एक वाक्य की विशिष्ट व्यवस्था पर निर्भर करते हैं। शोधकर्ताओं ने इन मॉडलों को 114,000 से अधिक वेब पतों वाले एक डेटासेट पर लागू किया, जिसमें सुरक्षित लिंक के साथ-साथ स्पैम, फिशिंग, मैलवेयर और वेबसाइट विरूपण (defacement) के लिए डिज़ाइन किए गए लिंक भी शामिल थे।
वेब पतों को इन भाषा मॉडलों के लिए पठनीय बनाने के लिए, शोधकर्ताओं को पहले उन्हें छोटे टुकड़ों में तोड़ना पड़ा, जिसे टोकनाइज़ेशन (tokenization) कहा जाता है। पहले तीन मॉडलों के लिए, उन्होंने स्लैश और प्रश्न चिह्नों जैसे प्रतीकों को मैन्युअल रूप से हटा दिया, शेष शब्दों को मुख्य डेटा के रूप में माना। BERT मॉडल के लिए, उन्होंने एक विशेष टूल का उपयोग किया जो पते को उप-शब्दों (sub-words) और प्रतीकों में स्वचालित रूप से तोड़ देता है, विराम चिह्नों को उनके अर्थ के हिस्से के रूप में रखता है क्योंकि BERT यह समझने के लिए डिज़ाइन किया गया है कि वे प्रतीक संदर्भ को कैसे बदलते हैं। एक बार पतों को प्रोसेस करने के बाद, मॉडलों ने प्रत्येक के लिए एक अद्वितीय संख्यात्मक प्रतिनिधित्व (numerical representation) उत्पन्न किया, जो उसके अर्थ संबंधी सार (semantic essence) को पकड़ता है। इन प्रस्तुतियों को फिर एक न्यूरल नेटवर्क में फीड किया गया, जो मानव मस्तिष्क से प्रेरित कंप्यूटर प्रोग्राम का एक प्रकार है, जिसने पैटर्न को पहचानना सीखा और प्रत्येक URL को एक लेबल दिया, जैसे कि "सुरक्षित", "स्पैम", या "फिशिंग"।
प्रयोग के परिणामों ने एक स्पष्ट विजेता दिखाया। जबकि सभी भाषा मॉडल उन पिछले तरीकों की तुलना में बेहतर प्रदर्शन करते रहे जो केवल सांख्यिकीय विशेषताओं पर निर्भर थे, BERT मॉडल उल्लेखनीय रूप से अलग खड़ा हुआ। इसने 99.71 प्रतिशत की सटीकता दर हासिल की, जिससे लगभग हर मामले में वेब पतों की प्रकृति की सही पहचान हुई। अन्य मॉडलों ने भी अच्छा प्रदर्शन किया, जिसमें GloVe मॉडल ने 98.94 प्रतिशत और Word2vec मॉडल ने 98.62 प्रतिशत तक पहुँचकर BERT की सटीकता से पीछे रह गए। शोधकर्ताओं ने नोट किया कि उनके अध्ययन में सबसे कम प्रदर्शन करने वाला मॉडल, LASER भी, क्षेत्र की कई मौजूदा तकनीकों से बेहतर रहा, जिसने 97.46 प्रतिशत सटीकता प्राप्त की। यह सुझाव देता है कि केवल एक URL की भौतिक संरचना से हटकर उसके शब्दों के अर्थ पर ध्यान केंद्रित करने से सुरक्षा में पर्याप्त वृद्धि होती है। अध्ययन प्रदर्शित करता है कि एक ऐसे मॉडल का उपयोग करके जो शब्दों के बीच के संदर्भ और संबंधों को समझता है, कंप्यूटर दुर्भावनापूर्ण लिंक का संकेत देने वाले सूक्ष्म भाषाई संकेतों को पहचानने में बहुत अधिक प्रभावी हो सकते हैं।
शोधकर्ताओं ने निष्कर्ष निकाला कि उनका दृष्टिकोण कंप्यूटर सुरक्षा की एक निरंतर समस्या के लिए एक मजबूत समाधान प्रदान करता है। वेब पतों में पाए जाने वाले शब्दों के अर्थ संबंधी स्थान (semantic space) को मॉडल करके, वे एक लिंक के पीछे के इरादे को उस तरह से पकड़ने में सक्षम हुए जो पारंपरिक तरीकों के लिए संभव नहीं था। विशेष रूप से BERT मॉडल की सफलता, गहरे, संदर्भ-जागरूक भाषा बोध का उपयोग करके खतरों का पता लगाने के महत्व को रेखांकित करती है। इसका मतलब यह नहीं है कि पुराने तरीके बेकार हैं, बल्कि यह कि उन्हें शब्दों के "अर्थ" को पढ़ने की क्षमता के साथ जोड़ना एक बहुत अधिक मजबूत रक्षा प्रणाली बनाता है। जैसे-जैसे साइबर अपराधी अपनी रणनीतियों को विकसित कर रहे हैं, अपने दुर्भावनापूर्ण लिंक को वैध लिंक जैसा अधिक से अधिक दिखा रहे हैं, उनके द्वारा उपयोग किए जाने वाले शब्दों के संदर्भ को समझने की क्षमता इंटरनेट को सुरक्षित रखने के लिए एक आवश्यक उपकरण बन जाएगी। अध्ययन एक स्पष्ट मार्ग प्रदान करता है, जो दिखाता है कि URL डिटेक्शन का भविष्य मशीनों को शब्दों के बीच छिपे अर्थ को पढ़ना सिखाने में निहित है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।