.png){kind=icon}
返回
A Filter-Based Feature Selection Framework to Detect Phishing URLs Using Stacking Ensemble Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.32604/cmes.2025.070311.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，网络钓鱼是一种旨在获取信用卡和银行账户号码、密码及用户名等敏感信息的在线攻击。我们可以找到多种反钓鱼解决方案，例如启发式检测、虚拟相似性检测、黑白名单以及机器学习（ML）。然而，钓鱼尝试仍然是一个问题，建立有效的反钓鱼策略是一个持续进行的工作。此外，虽然大多数反钓鱼解决方案在给定数据集上达到了最高级别的准确性，但其方法存在误报数量增加的问题。这些方法对零时攻击无效。误报率（FPR）高的钓鱼网站会被误认为是真实的，因为访问这些网站可能导致人们损失大量资金。在开发钓鱼检测策略时，特征选择至关重要。良好的特征选择有助于提高准确性；然而，重复特征也会增加数据集中的噪声并降低算法的准确性。因此，提出了一种结合基于过滤的特征选择方法来检测钓鱼攻击，包括恒定提取和方差分析（ANOVA）测试。该技术已使用不同的机器学习集成模型进行测试，包括堆叠和多数投票，以实现低误报率。堆叠集成分类器（梯度提升、随机森林、支持向量机）在数据集1上实现了1.31%的FPR和98.17%的准确率，数据集3显示2.81%的FPR和97.61%的准确率，而数据集2显示3.47%的FPR和96.47%的准确率。
Keyword:
Phishing detection
feature selection
stacking ensemble
machine learning
phishing URL
期刊
C
IF:
2.5
论文数:
354
被引数:
0
机构
引用论文
RSTHFS: A Rough Set Theory-Based Hybrid Feature Selection Method for Phishing Website ClassificationRSTHFS：一种基于粗糙集理论的混合特征选择方法，用于钓鱼网站分类.png)
IEEE Access
IEEE AccessIF0
PREAI
分享收藏Exploring the Influence of Direct and Indirect Factors on Information Security Policy Compliance: A Systematic Literature ReviewIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An ensemble classification method based on machine learning models for malicious Uniform Resource Locators (URL)PLOS ONE
PLOS ONEIF0
PREAI
分享收藏Enhancing Phishing Detection: A Machine Learning Approach With Feature Selection and Deep Learning Models增强网络钓鱼检测: 具有特征选择和深度学习模型的机器学习方法IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容