网络钓鱼攻击的认知分级
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
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