May, 2024

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

PDF
TL;DR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。
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

  • 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

  • 掌握你的钓鱼网站：检测钓鱼网站及其目标的新技术

    本文提出了一种基于网页核心术语的网络钓鱼检测系统，该系统具有良好的分类性能和较快的检测速度，并发展了一个可快速识别钓鱼网页目标的组件。

    Oct, 2015

  • COPS: 一种用于实时 Smishing 检测的紧凑设备上管道

    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。

    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

  • 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

  • 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

  • KnowPhish: 基于大型语言模型和多模态知识图谱的参考式钓鱼检测增强

    通过自动化检测方法，我们提出了一个使用大规模多模态品牌知识库的多模态网络钓鱼检测方法，以及一个可以检测带有或不带有商标的网络钓鱼页面的多模态网络钓鱼检测器。

    Mar, 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

  • 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