KoBERT와 URL 특징 분석을 결합한 하이브리드 딥러닝 기반 스미싱 탐지 모델 연구 = A Study on Hybrid Smishing Detection Using a Deep Learning Model with KoBERT and URL Feature Fusion

국문 초록 (Abstract)

스미싱은 문자메시지를 이용해서 금융정보 탈취 및 악성 앱 유포를 시도하는 사회공학적 공격으로, 최근에는 공공기관·금융기관 사칭, URL 단축 서비스 악용, 의도적 오탈자·특수문자 삽입 등과 같이 정교하고 탐지를 회피하는 방향으로 고도화되고 있다. 기존 스미싱 탐지 기법은 키워드 기반 필터링이나 URL 블랙리스트 의존도가 높아, 새로운 공격 패턴과 비표준 표현에 취약하다는 한계를 가진다. 이에 본 논문은 한국어 스미싱 탐지에 최적화된 KoBERT 기반 텍스트 분석과 URL 구조적 특징 분석을 결합한 이중 경로(Dual-path) 하이브리드 딥러닝 모델을 제안한다. 제안 모델은 문자 본문의 문맥 정보를 KoBERT로 심층 분석하는 한편, 도메인 유형, URL 길이, 단축 URL 사용 여부 등 URL 수준의 특징을 별도 경로에서 추출해서 최종 분류기에 융합한다. 약 10만 건의 실제 문자 데이터를 활용한 실험 결과, 제안 시스템은 정확도 0.990, 정밀도 0.993, 재현율 0.987, F1-score 0.989를 달성해서 기존 방법 대비 우수한 탐지 성능을 보였다. 본 연구는 한국어 환경에서의 실질적인 스미싱 대응 체계를 고도화하기 위한 기초 연구로서, 향후 메신저·다국어 스미싱 및 적대적 공격 환경으로의 확장 가능성을 제시한다.

목차 (Table of Contents)

• 초록(Abstract) ⅰ
• 목차(Table of Contents) ⅱ
• 그림목차(List of Figures) ⅲ
• 도표목차(List of Tables) ⅳ
• I. 서 론 1
• 1.1 연구의 배경 및 동향 심층 분석 1
• 1.2 연구의 내용 및 범위 6
• II. 이론적 배경 및 관련 연구 8
• 2.1 스미싱 범죄 수법 동향 8
• 2.2 AI 발전 이전 스미싱 탐지 기술의 한계 13
• 2.3 AI 발전 이후 스미싱 탐지 관련 연구 23
• 2.4 스미싱 예방의 제도적 한계 26
• 2.5 사전학습 언어 모델 및 한국어 특화 모델 적용 29
• 2.6 URL 검증 기술의 구조적 분석 33
• III. 제안 모델 설계 37
• 3.1 전체 아키텍처 37
• 3.2 텍스트 특징 추출 모듈(KoBERT) 40
• 3.3 URL 특징 추출 모듈 43
• 3.4 융합 분류 모듈 (MLP) 51
• IV. 실험 결과 및 분석 56
• 4.1 데이터 전처리 및 학습 데이터 구성 56
• 4.2 모델 학습 및 성능 평가 66
• 4.3 기존 기술 성능 비교 71
• 4.4 주요 탐지 성공 사례 분석 74
• 4.5 주요 오류 사례 분석: 미탐 및 오탐 77
• V. 결론 및 향후 연구 방향 80
• 5.1 연구 요약 및 시사점 80
• 5.2 연구의 한계 및 향후 과제 81
• 참고문헌(References) 84
• 영문초록(Abstract) 93
• 감사의 글(Acknowledgement) 95