이 연구는 스미싱(문자 피싱) 탐지 모델의 적대적 강건성을 27,037건의 메시지 데이터로 검증했다. 랜덤포레스트·XGBoost·CNN+BiLSTM 등 전통 모델은 문자 왜곡·구조 변형 공격에 거의 무너져 강건성 저하율(RDR)이 최대 0.988에 달한 반면, mBERT·XLM-RoBERTa 같은 다국어 트랜스포머는 최대 0.351로 훨씬 견고했다. 다만 XLM-RoBERTa는 정상 텍스트 성능이 더 높음에도 mBERT보다 공격에 더 크게 저하돼, 깨끗한 텍스트 성능이 강건성을 보장하지 않음을 보였다. 통계 검증 결과 이 차이는 표본이 아닌 모델 구조에서 기인하며, 저자들은 스미싱 탐지를 정적 분류가 아닌 적대적 보안 문제로 재정의해야 한다고 강조한다.
- •27,037건 메시지로 5개 모델(전통 3종·트랜스포머 2종)의 적대적 강건성 비교
- •전통 모델은 문자 왜곡·구조 변형 공격에 강건성 저하율(RDR) 최대 0.988로 거의 붕괴
- •트랜스포머 모델은 RDR 최대 0.351로 훨씬 견고, 구조 변형에는 상대적으로 취약
- •정상 텍스트 성능이 높다고 강건성이 보장되지 않음(XLM-RoBERTa vs mBERT)
- •스미싱 탐지를 정적 분류가 아닌 적대적 사이버보안 과제로 재정의해야 한다고 강조
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Adversarial Robustness in Smishing Detection: A Comparative Analysis of Adversarial Fragility in Classical vs. Transformer-Based Detection Systems
- 1.27,037개 메시지로 고전모델·다국어 트랜스포머의 스미싱 탐지 적대적 강건성 비교
- 2.문자난독화·구조교란서 고전모델 강건성저하비율(RDR) 최대 0.988로 붕괴, 트랜스포머는 최대 0.351
- 3.XLM-RoBERTa는 정상텍스트 성능 더 높지만 공격시 mBERT보다 더 크게 저하
- 4.정상텍스트 성능이 적대적 강건성을 예측 못함을 통계로 확인, 아키텍처별 방어 필요성 강조
왜 중요한가?
저자원 환경 공격자들은 문자 치환이나 언어 혼용으로 스미싱 탐지를 쉽게 우회하는데, 어떤 아키텍처가 이런 실전 공격에 견디는지 정량적으로 밝혀 모바일 보안 서비스의 탐지모델 선택에 실질적 지침을 제공한다.
언급 프로젝트
본문 미리보기
arXiv:2608.12889v1 Announce Type: new Abstract: Smishing detection systems are commonly trained and evaluated on clean, monolingual text. In low-resource settings, however, attackers frequently circumvent these systems through character obfuscation, cross-lingual code-switching, and structural perturbation. This study evaluates adversarial robustness for five model architectures: three classical lexical models (Random Forest, XGBoost, CNN+BiLSTM) and two multilingual transformers (mBERT, XLM-Ro
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:23AI 초안
