Editorial Ilmu Komputer & AI
Open AccessOA2024
Meningkatkan Keamanan Siber: Pendekatan Deep Learning Hibrida untuk Deteksi Serangan Smishing
Makalah ini mengusulkan pendekatan deep learning hibrida yang menggabungkan Bi-GRU dan CNN (CNN-Bi-GRU) untuk deteksi serangan smishing, dengan akurasi 99,82% pada dataset SMS Phishing Collection. Model ini mengungguli metode tradisional dengan menangkap fitur lokal dan dependensi sekuensial dalam teks SMS secara efektif.
Tanjim Mahmud; Mr. Prince; Md. Hasan Ali; Mohammad Shahadat Hossain; Karl Anderssonยท Syst.ยท 2024ยท DOI 10.3390/systems12110490
Masalah inti
Serangan smishing, bentuk canggih dari ancaman keamanan siber yang dilakukan melalui Short Message Service (SMS), semakin kompleks seiring meluasnya adopsi perangkat seluler, sehingga makin sulit bagi individu untuk membedakan pesan sah dan pesan berbahaya. Metode deteksi phishing tradisional, seperti pendekatan berbasis fitur, berbasis aturan, heuristik, dan blacklist, sulit mengikuti taktik penyerang yang berkembang cepat. Untuk meningkatkan keamanan siber dan menjawab tantangan tersebut, makalah ini mengusulkan pendekatan deep learning hibrida yang menggabungkan Bidirectional Gated Recurrent Units (Bi-GRU) dan Convolutional Neural Networks (CNN), yang disebut CNN-Bi-GRU, untuk identifikasi dan klasifikasi serangan smishing secara akurat.
Inovasi
Dataset SMS Phishing Collection digunakan, dengan prosedur persiapan yang mencakup transformasi data teks tak terstruktur menjadi representasi numerik dan pelatihan Word2Vec pada teks yang telah diproses. Model CNN-Bi-GRU yang diusulkan mengintegrasikan lapisan konvolusional untuk mengekstraksi fitur lokal dan lapisan GRU bidireksional untuk menangkap dependensi sekuensial dalam arah maju dan mundur. Arsitektur hibrida ini bertujuan memanfaatkan kekuatan CNN dan RNN untuk meningkatkan deteksi pesan smishing.
Pendahuluan
Serangan smishing, bentuk canggih dari ancaman keamanan siber yang dilakukan melalui Short Message Service (SMS), semakin kompleks seiring meluasnya adopsi perangkat seluler, sehingga makin sulit bagi individu untuk membedakan pesan sah dan pesan berbahaya. Metode deteksi phishing tradisional, seperti pendekatan berbasis fitur, berbasis aturan, heuristik, dan blacklist, sulit mengikuti taktik penyerang yang berkembang cepat. Untuk meningkatkan keamanan siber dan menjawab tantangan tersebut, makalah ini mengusulkan pendekatan deep learning hibrida yang menggabungkan Bidirectional Gated Recurrent Units (Bi-GRU) dan Convolutional Neural Networks (CNN), yang disebut CNN-Bi-GRU, untuk identifikasi dan klasifikasi serangan smishing secara akurat.
Mengapa penting
Studi ini menyajikan analisis empiris tentang efektivitas teknik deep learning hibrida untuk deteksi phishing SMS, menawarkan solusi yang lebih presisi dan efisien untuk meningkatkan keamanan siber dalam komunikasi seluler. Akurasi tinggi model CNN-Bi-GRU menunjukkan bahwa penggabungan arsitektur konvolusional dan rekuren dapat secara efektif menjawab tantangan dari taktik smishing yang terus berkembang. Penelitian selanjutnya dapat mengeksplorasi optimasi lebih lanjut dan penerapan di dunia nyata.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ