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

此研究提出提取并选择电子邮件数据集的特征，利用多类和单类异常检测方法可靠地检测垃圾邮件和网络钓鱼，其中只利用电子邮件头信息即可实现高达97％和99％的准确度评分。

Mar, 2022

该研究报告描述了CAPE系统，一个综合而高效的商业电子邮件欺骗（BEC）检测系统，它使用机器学习和自然语言理解技术，结合多种方法，包括基于Transformer神经架构的行为检测器，来对现代BEC攻击进行检测，并提供可解释的结果。

Aug, 2023

利用基于BERT模型的IPSDM模型，本文首次尝试将大型语言模型应用于检测钓鱼邮件和垃圾邮件，取得了更好的分类效果，并为改善信息系统安全迈出重要的第一步。

Nov, 2023

使用大型语言模型（LLMs）创建有针对性的横向钓鱼邮件，并评估电子邮件过滤基础设施对此类LLM生成的钓鱼尝试的检测能力，提供了关于其有效性的洞见，并确定了潜在的改进领域。根据我们的研究结果，我们提出了基于机器学习的检测技术来检测现有基础设施未能发现的LLM生成的钓鱼邮件，F1分数为98.96。

Jan, 2024

基于新的文档向量化方法，我们提出了一种检测方法，利用大型语言模型的共同作用来生成表示向量，以解决鱼叉式网络钓鱼攻击问题，并证明了该方法的有效性，可以应用于各种文档分类任务，特别是在对抗性问题领域。

Feb, 2024

本研究论文介绍了一种优化的、经过微调的基于Transformer的DistilBERT模型，用于检测钓鱼邮件。通过实验，我们发现我们的模型能够有效地实现高准确性，并使用可解释的AI技术来解释我们的模型在钓鱼邮件的文本分类中进行预测的方式。

Feb, 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

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