.png){kind=icon}
返回
Spam email classification based on cybersecurity potential risk using natural language processing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2024.112939.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
垃圾邮件的影响远不止是令人烦恼的信息，它们已成为窃取个人信息或传播恶意软件等网络攻击的最常用媒介。这些网络安全漏洞导致个人和组织遭受财务和数据损失。因此，区分潜在风险邮件的能力对于发布早期预警和为网络安全专家提供相关信息至关重要。近期的研究提出了用于检测钓鱼、欺诈或高风险垃圾邮件的模型。然而，这些研究的焦点通常局限于特定类型的邮件，或者仅针对组织收到的垃圾邮件进行评估。本研究提出了一套基于自然语言处理（NLP）技术提取的56个特征，并将其分为五类：邮件头、文本、附件、URL和协议。我们构建了一个名为“垃圾邮件风险分类”（SERC）的数据集，该数据集分为两个子数据集：一个来自私人来源，另一个来自Bruce Guenter的公开语料库。为评估垃圾邮件对用户的风险，我们采用了两种策略：一是使用低风险和高风险进行二分类，二是采用回归方法预测1到10的风险等级。我们评估了三种机器学习分类器和三种回归模型。随机森林在SERC数据集上取得了最高的分类性能，F1分数为0.914；随机森林回归器在回归任务中实现了最低的均方误差（MSE），为0.781。此外，我们还分析了各特征及其分组的重要性，发现邮件头和文本组的特征更为关键。
Keyword:
Malicious spam email detection
Feature extraction
NLP
Security awareness
Cybersecurity
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Using contextual factors to predict information security overconfidence: A machine learning approach.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Applying machine learning and natural language processing to detect phishing email应用机器学习和自然语言处理检测网络钓鱼电子邮件COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏An improved random forest based on the classification accuracy and correlation measurement of decision trees基于决策树分类精度和相关性度量的改进随机森林
PREAI
分享收藏
查看更多内容