May, 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

PDF
TL;DR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。
发现论文，激发创造
  • 基于人工智能的钓鱼邮件攻击分析与预防

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 可解释人工智能用于入侵检测模型的比较分析

    本研究通过使用遮挡敏感性方法，对二元和多类别分类的入侵检测任务中的各种机器学习模型进行了分析，使用相同的数据集。我们发现，大多数分类器仅利用少于三个关键特征就能实现高准确性，表明有效的特征工程对于入侵检测可能比应用复杂模型更为重要。我们还发现，在准确性、时间效率和鲁棒性方面，随机森林提供了最佳性能。

    Jun, 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

  • 透明和隐私：可解释人工智能和联邦学习在金融欺诈检测中的作用

    研究介绍了使用联邦学习和可解释的人工智能的新方法来解决金融机构在欺诈检测方面面临的挑战，该方法能够在保护数据隐私的同时提高检测系统的性能，并具备透明性和可解释性。

    Dec, 2023

  • 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