通过深度学习和自适应优化来提高网络鱼电子邮件检测性能

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 网络鱼电子邮件攻击越来越复杂,挑战了传统的检测方法.
• 区分合法的电子邮件和恶意电子邮件需要先进的技术,因为真实的假冒.
• 现有的网络安全措施面临着对不断发展的网络鱼策略的限制.

研究的目的:

• 提出一种新的混合深度学习架构,用于增强网络鱼电子邮件检测.
• 利用来自变压器的双向编码器表示 (BERT) 来进行上下文理解.
• 为了优化模型使用山地鱼优化器 (MGO) 以提高性能.

主要方法:

• 这是一个混合架构,结合了BERT嵌入,卷积神经网络 (CNN) 和门式循环单元 (GRU).
• 整合多头注意力,以精细关注关键电子邮件功能.
• 在Kaggle网络鱼电子邮件数据集上使用Mountain Gazelle Optimizer (MGO) 的超参数优化.

主要成果:

• 实现了高分类准确度 (96.8%),精度 (97.2%),回忆 (95.4%) 和F1得分 (96.3%).
• 与最先进的方法相比,虚假阳性结果减少了2.5%.
• 验证了该模型对复杂的网络鱼威胁的有效性.

结论:

• 拟议的混合深度学习模型显著提高了网络鱼电子邮件检测能力.
• 基于变压器的嵌入与先进的神经网络和优化相结合,有效抵御网络鱼.
• 优化MGO架构为改善电子邮件安全提供了强大的解决方案.