.png){kind=icon}
返回
UzPhishNet Model for Phishing Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3543-9_27.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络钓鱼攻击正变得越来越复杂，针对多语言和平台的用户。这些攻击越来越多地利用语言和文化细微差别，但大多数检测系统专注于英语，使资源匮乏的语言（如俄语和乌兹别克语）易受攻击。为解决此问题，我们提出了UzPhishNet，一种新颖的基于图卷积网络（GCN）的多语言网络钓鱼检测模型，重点针对俄语和乌兹别克语。UzPhishNet在俄语和乌兹别克语网络钓鱼数据集上实现了99%的准确率。该模型利用动态特征重要性调整和基于K-近邻（KNN）的图构建，以应对数据稀缺、语言特定特征和网络钓鱼攻击的动态性等关键挑战。该模型通过动态特征重要性调整机制在训练期间调整文本特征的重要性。该机制优先考虑最具判别性的特征，使模型能够专注于对网络钓鱼检测贡献最大的特征，从而使其专注于网络钓鱼检测的最具判别性的模式。此外，基于KNN的图构建捕捉文本样本之间的关系，增强了模型在不同网络钓鱼场景中的泛化能力。为支持这项研究，我们引入了俄语和乌兹别克语网络钓鱼数据集，这是一个公开可用的数据集，包含10万个样本，在两种语言之间均匀分布。该数据集从多种来源收集，包括网络钓鱼电子邮件、短信、社交媒体帖子和在线论坛，确保全面覆盖这些语言中的网络钓鱼策略。该数据集解决了网络安全研究中高质量、语言特定资源的关键需求。这项工作通过为多语言环境下的网络钓鱼内容检测提供可扩展且有效的解决方案，为不断增长的网络安全研究做出了贡献。通过解决资源匮乏语言的独特挑战，UzPhishNet为未来网络钓鱼检测和预防的进步铺平了道路。
Keyword:
UzPhishNet
Cybersecurity
Phishing Dataset
Russian and Uzbek Language
GNN
Dynamic Feature Importance Adjustment
期刊
I
IF:
0
论文数:
25
被引数:
0
机构
引用论文
Enhancing Voice Phishing Detection Using Multilingual Back-Translation and SMOTE: An Empirical Study基于多语言回译和SMOTE增强语音钓鱼检测：一项实证研究.png)
IEEE Access
IEEE AccessIF0
PREAI
分享收藏PhishTransformer: A Novel Approach to Detect Phishing Attacks Using URL Collection and TransformerPhishTransformer：一种利用URL集合和Transformer检测网络钓鱼攻击的新型方法Electronics
OAAI
ElectronicsIF0
OAAI分享收藏分享收藏Semantic Graph Based Convolutional Neural Network for Spam e-mail Classification in Cybercrime Applications基于语义图卷积神经网络的网络犯罪应用中的垃圾邮件分类OAAI
OAAI分享收藏Intelligent Deep Machine Learning Cyber Phishing URL Detection Based on BERT Features ExtractionElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容