.png){kind=icon}
返回
Malicious URL Detection with Advanced Machine Learning and Optimization-Supported Deep Learning Models
.png){kind=icon}
OA
AI
DOI：10.3390/app151810090.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究对机器学习、深度学习及基于优化的混合方法在Malicious Phish数据集上的恶意URL检测进行了全面的比较分析。在特征选择和模型超参数调优中，采用了遗传算法（GA）、粒子群优化（PSO）和 Harris Hawk Optimizer（HHO）。针对多分类和二分类任务，使用了LightGBM、XGBoost和Random Forest等经典机器学习算法，以及LSTM、CNN和混合CNN+LSTM架构的深度学习模型，同时这些模型也集成了优化支持。实验结果表明，基于ELECTRA的深度学习模型在多分类和二分类场景下均达到了高达99%的优异准确率和F1分数。尽管优化支持的混合模型也提升了性能，但基于语言模型的ELECTRA架构在经典和优化方法上表现出显著优势。研究发现，优化算法在特征选择和提升模型性能方面有效，但下一代语言模型在恶意URL检测领域明确树立了新的基准。
Keyword:
optimization algorithms
malware detection
ELECTRA model
feature selection
期刊
A
IF:
2.5
论文数:
1.9K
被引数:
15.9W
机构
暂无机构信息
引用论文
GramBeddings: A New Neural Network for URL Based Identification of Phishing Web Pages Through N-gram Embeddings.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏分享收藏分享收藏An enhanced mechanism for malicious URL detection using deep learning and DistilBERT-based feature extraction基于深度学习和DistilBERT特征提取的恶意URL检测增强机制
PREAI
分享收藏Early detection of type 2 diabetes mellitus using machine learning-based prediction models使用基于机器学习的预测模型早期检测2型糖尿病SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容