アンサンブル技術によるサイバーセキュリティのスパムメール検出の精度向上:スパムメール検出のためのスタッキングアプローチ

科学分野:

• コンピュータ科学
• サイバーセキュリティ
• 機械学習

背景:

• スパムメールの拡散はサイバーセキュリティに重大な脅威をもたらし,ユーザー体験を劣化させています.
• 効果的なスパム検出メカニズムは,現代のデジタルセキュリティインフラに不可欠です.
• 機械学習 (ML) は,スパムと戦うために有望なアプローチを提供します.

研究 の 目的:

• スパム検出のための機械学習モデルのパフォーマンスを評価する.
• 強化されたスパム識別のための最適化されたスタッキングアンサンブルフレームワークを提案し,検証する.
• 個別モデルよりもアンサンブルメソッドの優位性を証明する.

主な方法:

• 公共のスパムデータセットの機械学習モデルの経験的分析
• ネイブ・ベイズ (NBC),k-Nearest Neighbors (k-NN),ロジスティック・リグレッション (LR),XGBoost (XGBoost) ベースモデルを統合したスタッキング・アンサンブル・フレームワークの開発.
• モデルチューニングのためのハイパーパラメータ最適化によるグリッド検索クロス検証.

主要な成果:

• アルゴリズムアンサンブル・メソッドは,個々のモデルと比較して優れた検出精度を示した.
• 最適化されたスタッキング・アンサンブルは,高精度99.79%を達成した.
• ベースラインモデルと既存の文献の解決策と比較して,統計的に有意な改善が観察されました.

結論:

• 最適化されたアンサンブル方法は,高度なスパム検出のための非常に効果的な戦略です.
• 提案されたスタッキング・アンサンブル・フレームワークは,電子メールによる脅威に対するサイバーセキュリティを強化するための強力な解決策を提供します.
• デジタルセキュリティとユーザーエクスペリエンスを強化できます.