通过 HTML 内容的多模型分析来检测钓鱼网站
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
本研究使用深度学习模型（如多头注意力、双向长短期记忆网络）针对钓鱼网站进行检测，并证明多头注意力和双向长短期记忆网络模型在准确率、召回率和 F1 得分方面优于其他深度学习算法。
Apr, 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
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
本研究探讨了大型语言模型（LLMs）在特定任务（如文本分类，特别是检测恶意内容）中的潜力和局限，并将其结果与最先进的 DeBERTa V3 模型进行对比。通过使用包括电子邮件、HTML、URL、短信和合成数据生成的综合公共数据集，我们系统地评估了这两种方法的潜力和局限，并展示了 LLMs 如何生成具有说服力的网络钓鱼邮件以及在此背景下两种模型的性能。我们的实验结果表明，基于变形金刚的 DeBERTa 方法是最有效的，其测试数据集（HuggingFace 网络钓鱼数据集）召回率（敏感性）达到 95.17%，紧随其后的是 GPT-4，召回率为 91.04%。通过我们的研究，我们提供了这些先进语言模型的有效性和稳定性的有价值的见解，并提供了详细的比较分析，以指导未来在加强检测和减轻网络钓鱼威胁方面的研究工作。
Jun, 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
研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击，通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率，最终实现了三倍于历史电子邮件攻击的成功率，并超过手动执行相同任务的人类。
Feb, 2018
利用 AntiPhishStack 模型和深度学习技术检测网络钓鱼网站，提高网络安全，实验证明该模型在两个基准数据集上表现出色，准确率达到 96.04%。
Jan, 2024