Website Phishing Attack Detection Using Innovative Meta Learning-Based Ensemble Approach

Saba Naseeb

doi:10.1109/ACCESS.2025.3610961

Website Phishing Attack Detection Using Innovative Meta Learning-Based Ensemble Approach

2025-01-01

0

OA

AI

Muhammad Shadab Alam Hashmi

Norma Latif Fitriyani

DOI：10.1109/ACCESS.2025.3610961

原文链接

原文求助

摘要

En 中文

网络钓鱼仍然是普遍性最强的网络安全威胁，通过复杂的社会工程手段利用人类弱点。尽管传统的启发式和黑名单解决方案在对抗进化型攻击时效果不佳，但本文提出了一种新颖的堆叠集成模型，结合了人工神经网络（ANN）和Bagging K-最近邻（KNN），并以逻辑回归（LR）作为元学习器分类器。我们的混合框架利用了ANN在识别全局非线性模式方面的优势以及Bagging KNN在局部模式检测方面的专长，通过最优决策层融合实现卓越性能。在2019-2024数据集上的实验结果表明，所提出的集成模型优于当前最先进技术，达到97.20%的准确率、97%的精确度和97%的召回率。所提出的模型采用超参数优化的架构，包括具有Relu激活函数和30% dropout的512-256-128-128层ANN，以及使用10个估计器、K=7和欧氏距离的Bagging KNN配置。本堆叠方法的关键优势包括通过准确率提升增强泛化能力、通过加权平均适应新兴攻击模式，以及通过允许增量模型添加的模块化设计实现可扩展性。本研究引入了一种创新的混合集成方法，堆叠了ANN和Bagging KNN，并采用优化的元学习策略用于实时网络钓鱼检测。该模型还利用SMOTE过采样解决类别不平衡问题，并采用k折交叉验证确保稳定的性能测试。本研究强调了特征工程、集成方法和混合方法在增强钓鱼检测中的重要性。

Keyword:

Phishing attacks

machine learning

artificial neural networks

logistic regression

bagging k-nearest neighbors

support vector machine

feature engineering

Website Phishing Attack Detection Using Innovative Meta Learning-Based Ensemble Approach

摘要

期刊

机构

引用论文