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

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

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

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

通过描述一个开放给公众使用的 AI 生成钓鱼邮件语料库，论文表明通过使用自动文本分析的机器学习工具，可以高准确率地识别基于 AI 生成的钓鱼邮件，并且 AI 生成的钓鱼邮件与常规钓鱼邮件不同，因此有必要在训练机器学习系统时使用 AI 生成的邮件，以防止由生成型 AI 支持的未来钓鱼攻击。

May, 2024

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

本文提出了一种基于网页核心术语的网络钓鱼检测系统，该系统具有良好的分类性能和较快的检测速度，并发展了一个可快速识别钓鱼网页目标的组件。

Oct, 2015

我们提出了一个可适应的框架，结合深度学习和随机森林，在不同预测层次上从图像中读取、合成深度伪造视频的语音以及进行自然语言处理，以显著提高机器学习模型对钓鱼攻击的检测性能。

Feb, 2024

本文研究使用深度学习模型来检测利用 Google Sites 和 Typeform 等云服务进行的网络钓鱼攻击的有效性，包括 URL、商标和视觉相似性分析，证实了结合多种模型的结果可以提高检测云钓鱼攻击的有效性。

Apr, 2022