推进网络鱼电子邮件检测:对深度学习模型的比较研究
Najwa Altwaijry1, Isra Al-Turaiki1, Reem Alotaibi2
1Department of Computer Science, College of Computer and Information Sciences, King Saud University, Riyadh 11653, Saudi Arabia.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
这项研究介绍了先进的单维卷积神经网络模型 (1D-CNNPD),用于增强网络鱼电子邮件检测. 增加这些模型的反复层,特别是Bi-GRU,显著提高了准确性,并减少了网络安全中错误的阳性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 网络鱼攻击对个人和组织构成重大威胁.
- 现有的电子邮件网络鱼检测方法需要提高准确性和降低假阳性率.
研究的目的:
- 调查基于CNN的一维模型 (1D-CNNPD) 的用于检测网络鱼电子邮件.
- 通过增加循环层 (LSTM,Bi-LSTM,GRU,Bi-GRU) 来增强基础的1D-CNNPD模型.
主要方法:
- 开发和实验增强的1D-CNNPD模型,包括重复层.
- 在两个基准数据集上评估模型性能:网络鱼集和垃圾邮件刺客.
- 使用了精度,准确度,F1得分和回忆等指标.
主要成果:
- 增强1D-CNNPD基础模型总体上提高了性能.
- 与Bi-GRU相结合的1D-CNNPD模型显示出卓越的结果.
- 一个带有Leaky ReLU和Bi-GRU的先进的1D-CNNPD实现了100%的精度,99.68%的准确性,99.66%的F1得分和99.32%的回忆.
- 模型深度影响性能,最初的改进随后下降.
结论:
- 增强的1D-CNNPD模型对于高精度检测网络鱼电子邮件是有效的.
- Bi-GRU增强模型显示了改进网络安全解决方案的巨大潜力.
- 该研究强调了深度学习方法在打击电子邮件网络鱼方面的有效性.
