通过特征选择、贪婪算法、交叉验证和深度学习方法构建了一个复杂的堆叠集成分类器，实现了对钓鱼网站的准确检测，取得了高准确率并具备泛化能力。

Mar, 2024

本文提出了一种基于机器学习的网络钓鱼攻击检测技术，通过收集和分析 4000 多封针对北达科他大学电子邮件服务的网络钓鱼电子邮件，模拟这些攻击，通过选择 10 个相关特征和构建大型数据集进行训练，采用人工神经网络算法，实验结果表明使用人工神经网络可以实现更好的检测效果。四个指标用于性能评估：检测概率、错过检测概率、误报概率和准确度。

Jan, 2022

本文讨论了网络钓鱼历史、攻击者的动机、不同类型网络钓鱼的分类、现有网络钓鱼解决方案的分类，以及讨论了网络钓鱼对物联网的影响。同时，本文探讨了网络钓鱼对网络安全带来的挑战和问题。因此，本文以提高终端用户防范网络钓鱼威胁的意识为目标 。

May, 2017

通过引入一种先进的检测模型，该研究解决了网络钓鱼的紧迫问题，并通过结合多层感知器（MLP）模型和两个预训练的自然语言处理（NLP）模型的嵌入来获得卓越的性能，特别是在分析页面标题和内容上。

Jan, 2024

本文提出 PhishZip，一种新的钓鱼检测方法，使用压缩算法进行网站分类，并演示了使用单词出现似然分析构建压缩模型单词词典的系统方法。使用压缩比作为机器学习特征，PhishZip 检测效果优于先前研究中表现最佳的基于 HTML 的特征，真正阳性率可达 80.04％。同时，使用压缩比作为附加特征，真正阳性率显着提高 30.3％（从 51.47％提高到 81.77％） ，准确性提高 11.84％（从 71.20％提高到 83.04％）。

Jul, 2020

采用视觉分析和本地机器学习模型相结合的识别方案，实现了实时的本地反钓鱼检测系统，以减少诈骗攻击的影响，并扩大了钓鱼攻击检测的范围。

May, 2024

通过自动化检测方法，我们提出了一个使用大规模多模态品牌知识库的多模态网络钓鱼检测方法，以及一个可以检测带有或不带有商标的网络钓鱼页面的多模态网络钓鱼检测器。

Mar, 2024

本研究分析了 15 个大型语言模型（LLMs）在检测网络钓鱼邮件方面的效果，重点关注 “419 诈骗” 邮件。实验证明 ChatGPT 3.5、GPT-3.5-Turbo-Instruct 和 ChatGPT 是最有效的钓鱼邮件检测模型。

Apr, 2024

网络安全是全球性问题之一，钓鱼网址鉴别是解决此问题的最佳方式。本论文提出了一种一维卷积神经网络模型，通过全面的特征和大量数据训练，实现了 99.85% 的准确度，并强调了对于识别钓鱼网址有重要贡献的某些特征。

Apr, 2024

该研究提出了一种高性能的机器学习模型来解决钓鱼邮件的问题，并利用公共数据集进行验证。该模型在现实应用中表现出色，其 f1 得分达到 0.99，并集成了可解释的人工智能（XAI）以提高用户的信任度，提供实时基于 Web 的应用程序以帮助用户检测钓鱼邮件，为打击钓鱼行为做出实际而高度准确的解决方案。

May, 2024