@inproceedings{oai:ipsj.ixsq.nii.ac.jp:00228735,
 author = {セナナヤケ, ジャナカ and ラジャパクサ, サンパス and 矢内, 直人 and 小宮, 千佳 and カルタラージュ, ハルシャ and Janaka, Senanayake and Sampath, Rajapaksha and Naoto, Yanai and Chika, Komiya and Harsha, Kalutarage},
 book = {コンピュータセキュリティシンポジウム2023論文集},
 month = {Oct},
 note = {悪性ドメインの検出は機械学習に基づいており，特に近年ではブラウザ上で高いスループットを持つ検知技術が提案されている．しかし，既存手法は精度に限りがある．本稿では，既存手法と比べてスループットを落とすことなく，より高い精度を持つブラウザベース悪性ドメイン検知手法MADONNAを提案する．技術的な貢献は，特徴量の相関分析により最適な特徴量を選定したこと，および独自のアーキテクチャである浅層ニューラル・ネットワーク（SNN）を導入し，そのパラメータの枝刈りと量子化を行うことで，スループットと精度両方を改善したことである．MADONNA のGoogle Chrome 拡張機能を実装し実験評価したところ，既存研究と比べて精度を6ポイント，スループットを0.87秒改善できた．MADONNA の実装はGitHub で公開している (https://github.com/softwaresec-labs/MADONNA)., The detection of malicious domains often relies on machine learning and browser-based detection tools for malicious domains with high throughput have been proposed in recent years. However, the accuracy of the existing tools is limited. In this paper, we present MADONNA, a novel browser-based tool for malicious domain detection that outperforms the current state-of-the-art in both accuracy and throughput. Our technical contributions include optimized feature selection through feature correlation analysis and introduce a new architecture named Shallow Neural Networks (SNN), including pruning and quantization as model optimizations. We develop a browser extension of MADONNA and then conduct extensive experiments to compare the performance with the existing work. 
We then show that MADONNA provides six points higher accuracy and 0.87 seconds faster throughput than the existing work. MADONNA is publicly available via GitHub (https://github.com/softwaresec-labs/MADONNA).},
 pages = {893--900},
 publisher = {情報処理学会},
 title = {MADONNA: 特徴量と機械学習モデルを最適化したブラウザベース悪性ドメイン検知の構成},
 year = {2023}
}