Jan, 2024

AntiPhishStack: 基于 LSTM 的堆叠泛化模型优化的钓鱼 URL 检测

PDF
TL;DR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%。
phishingdeep learningantiphishstackurlsnetwork security
发现论文，激发创造
  • 使用 URL 的上下文特征，顺序深度学习模型在检测网络钓鱼网站方面的性能

    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

  • 社交媒体钓鱼文章的生成模型

    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

  • PhishGuard: 基于卷积神经网络的用于检测钓鱼 URL 的模型，并使用可解释性分析

    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

  • 结合深度学习模型检测基于云的网络钓鱼攻击

    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

  • 通过 HTML 内容的多模型分析来检测钓鱼网站

    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

  • 一个完善的框架用于准确检测钓鱼网站

    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

  • 可解释的基于 Transformer 的网络钓鱼邮件检测模型：一种大型语言模型方法

    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

  • 基于深度学习的语音和视觉合成，通过多层自适应框架改进网络钓鱼攻击检测

    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

  • 大型语言模型惊人准确地识别钓鱼邮件：性能比较分析

    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

  • 一种新的可解释且稳健的基于 Web 的 AI 平台，用于钓鱼邮件检测

    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