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

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

Deep Learning-Based Speech and Vision Synthesis to Improve Phishing Attack Detection through a Multi-layer Adaptive Framework

PDF

Tosin Ige, Christopher Kiekintveld, Aritran Piplai

TL;DR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。

Abstract

The ever-evolving ways attacker continues to im prove their phishing techniques to bypass existing state-of-the-art phishing detection methods pose a mountain of challenges to researchers in both industry and aca

phishing anti-phishing methods deep learning random forest machine learning models

发现论文，激发创造

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

基于机器学习的网络钓鱼攻击检测方法

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

众人一心、一心为公：基于深度学习的合成语音检测的特征融合

通过融合不同的特征集，本文提出了一个模型，用于合成语音检测任务，取得了比现有解决方案更好的性能，并在不同场景和数据集上进行了测试，证明了其对抗反取证攻击的强健性和泛化能力。

Jul, 2023

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

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

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

检测和持续学习新的人脸展示攻击

本文介绍了一种使用经验回放的深度学习方法，以检测面部攻击中从未遇到过的新类型攻击，并自适应地识别这些攻击类型，证明其在两个基准数据集和一个新引入的数据集上的有效性。

Aug, 2021

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

一种紧凑型深度学习模型用于人脸欺骗检测

本文采用宽与深特征融合的神经网络结构来解决假攻击检测问题，并在多个数据集上进行了实验验证。

Jan, 2021