MMFeb, 2024

COPS: 一种用于实时 Smishing 检测的紧凑设备上管道

PDF
TL;DR通过 COPS 这一轻量级 pipeline，智能地识别欺诈信息和欺诈网址，实时提醒用户，从而在资源受限设备上确保高准确率和实时警报。
发现论文，激发创造
  • 定位论文：全球思考，本地反应 —— 在 macOS 上实现实时基于参考的网站钓鱼检测

    采用视觉分析和本地机器学习模型相结合的识别方案，实现了实时的本地反钓鱼检测系统，以减少诈骗攻击的影响，并扩大了钓鱼攻击检测的范围。

    May, 2024

  • 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

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

    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

  • 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

  • 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

  • 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

  • 自动武器检测的新型深度学习流程

    提出了一种新的流程，该流程由一组具有不同架构的卷积神经网络组成，用于监测实时视频中的武器，相比现有系统，该流程平均提高了 5% 的准确性、特异性和召回率。

    Sep, 2023

  • 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

  • 用于工业控制系统异常检测的双阶段双 COPOD 方法

    本文提出了一种基于 Copula 的二阶段异常检测方法，以解决传统方法在透明度、可解释性和性能等方面存在的挑战，并在三个开源的 ICS 数据集中进行了实验验证，表现出优异的检测性能和计算效率，适合于低和高维度数据集的实时 ICS 异常检测。

    Apr, 2023

  • POISED: 检测 Twitter 垃圾邮件的未知途径

    本文介绍了一种使用基于网络社交平台上传播路径特征的垃圾信息检测方法，即 POISED 系统，在大规模 Twitter 数据集上进行实验，结果表明该方法的准确率达到 91％，召回率达到 93％，能有效地检测垃圾信息，并且相对于之前的垃圾信息检测系统具有更高的综合性。

    Aug, 2017