مدل مبتنی بر تشخیص ایمیل فیشینگ با استفاده از مدل XLNet

XLNet می کند، حملات فیشینگ همچنان تهدیدی جدی برای افراد و سازمان ها محسوب می شوند و از مهندسی اجتماعی و دستکاری زبانی برای فریب گیرندگان و افشای اطلاعات حساس استفاده می کنند. با پیچیده تر شدن روزافزون استراتژی های فیشینگ نیاز به مدل های پیشرفته و آگاه از متن حیاتی می شود. این مطالعه یک سیستم طبقه بندی ایمیل فیشینگ مبتنی بر یک معماری پیشرفته که از مدل سازی زبان مبتنی بر جایگشت برای ثبت وابستگی های متنی دوطرفه بدون محدودیت های پوشش توکن استفاده می کند ارائه می دهد. با استفاده از یک مجموعه داده ایمیل در دسترس عموم - که شامل ایمیل های ایمن و فیشینگ است - این مدل برای طبقه بندی متن ایمیل با دقت و استحکام بالا تنظیم شد. نتایج آزمایش نشان می دهد XLNet به دقت ۹۷.۷۷ رسیده است در حالی که نرخ مثبت کاذب و منفی کاذب پایینی را حفظ می کند توانایی خود را در تشخیص فیشینگ بیشتر به رخ می کشد. توانایی مدل در شناسایی الگوهای فیشینگ پیچیده، ناشی از مدیریت بهبود یافته XLNet در تغییرپذیری ساختار جمله و معناشناسی متنی است که آن را قادر می سازد سبک های نوشتاری فریبنده ای را که معمولا توسط مهاجمان استفاده می شود تشخیص دهد. این تحقیق مناسب بودن XLNet را به عنوان یک مکانیسم موثر تشخیص فیشینگ برجسته می کند و اهمیت معماری های مبتنی بر مبدل را در برنامه های امنیت سایبری برجسته می کند. یافته ها نشان می دهد که XLNet می تواند در سیستم های ایمیل، سازمانی، دروازه های امنیتی و پلتفرم های تشخیص تهدید خودکار ادغام شود تا محافظت مقیاس پذیر و بلادرنگ در برابر تهدیدات فیشینگ در حال تحول ارائه دهد.

کلیدواژه ها:

فیشینگ ، تهدیدات سایبری ، امنیت سایبری ، XLNet