이메일 한 통으로 수천만 원이 사라지는 일이 현실에서 빈번하게 벌어진다. 정교하게 위장된 로그인 페이지, 금융기관을 사칭한 문자 메시지 — 피싱 공격은 해마다 더욱 교묘해지고 있다. 브라우저를 열고 링크를 클릭하는 순간 계정이 탈취되는 상황에서, 기존 블랙리스트 기반 필터링은 이미 새로운 도메인 앞에서 속수무책이다.
이 문제에 정면으로 맞선 연구가 2025년 ICICI(Intelligent Data Communication Technologies and Internet of Things)컨퍼런스에서 발표됐다. G.Surya Prakash 외 5명의 연구팀은 머신러닝과 자연어처리를 결합한 크롬 확장 프로그램 기반의 통합 피싱 탐지 시스템을 제안했다. 이 연구는 규칙 기반·블랙리스트 방식의 정적 한계를 극복하고, 새로운 공격 패턴에 스스로 적응하는 탐지 아키텍처를 목표로 한다.
시스템의 핵심은 두 레이어의 결합이다. 첫 번째 레이어에서는 로지스틱 회귀와 다항 나이브 베이즈 알고리즘이 URL의 구조적·행동적 패턴을 분류한다. 두 번째 레이어에서는 토크나이제이션과 스테밍 등 NLP 기법을 적용해 URL 문자열과 피싱 메시지 본문에서 의미론적·통사론적 특징을 추출한다. 두 접근법을 병렬로 결합함으로써 단일 모델보다 더 넓은 공격 벡터를 커버할 수 있다. 실제 레이블링된 피싱·정상 URL 데이터셋을 대상으로 실험한 결과, 전통적 탐지 방식 대비 분류 정확도가 유의미하게 향상됐으며 오탐률도 낮아졌다. 연구팀은 입력 피처 선택과 모델 선정이 성능 최적화에 결정적이라는 사실도 확인했다.
기존 블랙리스트 방식이 알려진 악성 도메인만 차단하는 수동적 구조라면, 이 연구는 패턴 학습을 통해 미등록 신규 피싱 도메인까지 탐지할 수 있는 능동적 접근을 취한다. 크롬 확장 형태로 구현되어 사용자 인터페이스 친화성도 갖췄다. 다만 논문에서 구체적인 정확도 수치가 명시되지 않아 타 연구와 직접 비교가 어렵고,적대적 공격에 대한 내성은 별도 검증이 필요하다.
보안 담당자와 웹 개발자가 참고할 실용 포인트는 다음과 같다. URL 구조 분석과 텍스트 의미 분석을 동시에 적용하면 단일 방식 대비 탐지 커버리지가 넓어진다. 크롬 확장 배포 방식은 엔드포인트 보안 도구로의 빠른 롤아웃에 유리하며, 사용자가 별도 소프트웨어 없이 브라우저 수준 보호를 받을 수 있다. 피싱 방지 파이프라인을 구축 중인 팀이라면 ML 분류기와 NLP 텍스트 분석기를 앙상블로 구성하는 방식을 적극 검토할 것을 권장한다.
📖 *A Unified Approach on Phishing Detection using Chrome Extension Integrating ML and NLP* |
논문 원문
※ 이 기사는 학술 논문을 바탕으로 작성되었습니다.
Every security engineer knows the sinking feeling: a user clicks a link, credentials are gone, and the damage has already been done. Phishing remains one of the most persistent threats in the cybersecurity landscape — and traditional defenses are struggling to keep pace. Blacklists work only against known domains; the moment attackers register fresh infrastructure, they slip right through.
A 2025 research paper presented at the International Conference on Intelligent Data Communication Technologies and Internet of Things (ICICI) tackles this problem head-on. A team of six researchers led by G. Surya Prakash proposed a unified phishing detection system that integrates Machine Learning (ML) and Natural Language Processing (NLP) within a Chrome browser extension, aiming to replace static blacklists with adaptive, real-time detection.
The system operates on two simultaneous detection layers. The first applies logistic regression and multinomial Naive Bayes classifiers to identify structural and behavioral patterns in URLs. The second layer uses NLP techniques — tokenization and stemming — to extract semantic and syntactic features from URL strings and phishing message content. Running both layers in parallel allows the system to cover a broader range of attack vectors than either approach could address alone.
Experiments conducted on real-world datasets of labeled phishing and legitimate URLs demonstrated measurable improvements in classification accuracy and reduced false positive rates compared to conventional detection mechanisms. The researchers also identified feature engineering and model selection as critical variables: careful input feature selection was found to significantly enhance predictive accuracy and robustness. The system's adaptive learning mechanism allows it to recognize emerging phishing tactics with minimal manual intervention — a meaningful advantage over systems that require constant manual rule updates.
That said, the paper does not report specific accuracy metrics, making direct benchmarking against other published systems difficult. Robustness against adversarial attacks — a key concern in deployed ML security systems — also merits further investigation.
For developers and security engineers, the practical takeaways are worth noting. Combining URL structure analysis with NLP-based text analysis in a single pipeline meaningfully widens detection coverage. The Chrome extension delivery model offers a low-friction path to endpoint deployment: users get browser-level protection without additional software installs. Teams building phishing defenses should consider an ensemble approach that runs ML classifiers and NLP text analyzers in parallel, then aggregates their signals for a final verdict. The architecture described here offers a strong reference model for that kind of layered detection pipeline.
📖 *A Unified Approach on Phishing Detection using Chrome Extension Integrating ML and NLP* |
Paper
This article is based on an academic research paper.
