一个混合超级学习器组合用于移动设备上的网络鱼检测

科学领域:

• 网络安全 网络安全
• 机器学习 机器学习
• 移动安全 移动安全

背景情况:

• 网络鱼攻击在数字时代构成重大威胁,通过欺骗性网站准敏感用户信息.
• 现有的反鱼技术存在局限性,包括对零日攻击的脆弱性和不适合资源有限的移动设备.

研究的目的:

• 为移动设备开发一种新,高效,强大的网络鱼检测模型.
• 解决当前反鱼方法的局限性,特别是在资源有限的移动平台上.

主要方法:

• 提出了Phish-Jam,这是用于移动网络鱼检测的混合超级学习组合模型.
• 使用手工制作的功能,基于变压器的文本嵌入和深度学习架构提取的URL特征.
• 来自各种机器学习算法的综合预测用于网站分类.

主要成果:

• 菲什-詹姆模型实现了高性能指标:98.93%的准确性,99.15%的精度,97.81%的MCC和99.07%的F1分数.
• 包括快速计算,语言独立性和针对恶意软件下载的稳定性在内的经过证明的优势.

结论:

• 拟议的Phish-Jam模型在移动网络鱼检测方面取得了重大进展.
• 超级学习组合方法为识别和减轻移动设备上的网络鱼威胁提供了有效的解决方案.