XiaoMi-AI文件搜索系统
World File Search Systemphishing
用于检测网络钓鱼网站的机器学习算法
网络钓鱼攻击是欺诈性尝试，在这些尝试中，网络犯罪分子创建了欺骗性的通信，例如电子邮件，消息或网站，似乎来自著名的来源。这些攻击已成为公司的主要问题，每年损失总计约1000亿美元。此外，它们正在上升，比往年增长了200％。目前可用于打击这些攻击的解决方案无效，并且迫切需要采用新的和创新的方法来保护公司和个人[1]。随着对计算机财务活动的依赖越来越多，现金交易的减少，网络犯罪分子通过使用网络钓鱼技术来欺诈地从毫无戒心的受害者那里获得敏感的财务信息来利用这一趋势[2]。犯罪组织已将其策略从利用技术系统脆弱性转变为利用人类脆弱性，例如缺乏辨别真正和欺诈性在线资源的能力，例如电子邮件和网站。因此，开发有效的解决方案以减轻这些问题至关重要[3]。由于全球网络和通信技术的快速发展，包括社交媒体，在线银行，电子商务和其他活动在内的许多元素，包括社交媒体，在线银行，电子商务和其他活动。但是，互联网的开放，私人和不受控制的特征也为网络攻击创造了一个有利的环境，对网络以及对通用计算机用户（甚至经验丰富的）构成了严重的安全危险。即使用户护理和技能至关重要，也很难完全防止个人患有网络钓鱼骗局[4]。网络钓鱼网站是一个欺骗性和欺诈性的网站，旨在欺骗和操纵用户泄露机密信息。这些网站通常被伪装成合法的网站或电子邮件，并且通常包含虚假的登录页面或其他旨在从毫无戒心的用户那里窃取信息的表格。网络钓鱼网站通常采用社会工程策略来吸引用户提供其敏感信息，例如摆姿势作为一个值得信赖的机构，例如银行，社交媒体平台或电子商务网站。用户将信息输入伪造的网站后，攻击者可以使用此信息来窃取金钱，身份或提交其他形式的欺诈[5]。为了防止成为网络钓鱼网站的牺牲品，在线进入个人信息时要谨慎行事至关重要。验证网站的URL，搜索诸如HTTPS和锁定图标之类的安全指标以及弃权在可疑电子邮件中单击链接都是必要的措施。
混合框架用于自动网络钓鱼检测的适用性
网络钓鱼攻击是现代数字景观中的关键且不断升级的网络安全威胁。由于网络犯罪分子不断调整其技术，自动化的网络钓鱼检测系统对于保护互联网用户至关重要。但是，许多当前的系统依靠单分析模型，使其容易受到黑客的复杂旁路尝试的影响。这项研究深入研究了混合方法的潜力，该方法结合了多个模型，以增强网络钓鱼检测的鲁棒性和效果。它突出了现有的混合模型的局限性，该局限性主要集中在效果上，同时忽略更广泛的适用性。为了解决这些差距，我们引入了一个针对现实世界中适用性的新颖框架，为实用和强大的网络钓鱼检测体系结构奠定了基础。我们开发了概念证明，以评估其效果，稳健性和检测速度。此外，我们引入了一种创新方法，用于模拟对单分析基本模型的旁路攻击。我们的实验表明，所提出的混合框架优于单个模型，表现出更高的效果，可抵抗绕过尝试的稳健性和实时检测能力。我们的概念证明的准确性为97.44％，从而超过了当前的最新方法，同时需要更少的计算时间。结果提供了对混合模型的多方面因素的见解，超出了范围的效果，并强调了整体适用性在混合方法中的重要性，以解决对防御攻击的强大防御能力的关键需求。
使用机器学习的网络钓鱼URL检测
摘要：旨在通过伪装成可信赖的实体来欺骗用户剥夺敏感信息的网络钓鱼攻击是数字景观中的重大威胁。检测网络钓鱼URL（统一的资源定位器）对于保护在线用户和保护敏感数据至关重要。传统的网络钓鱼检测方法，通常依靠手动黑名单和启发式方法，努力与攻击者快速发展的策略保持同步。本研究探讨了机器学习技术以改善网络钓鱼URL的检测，利用其从数据中学习的能力并识别指示网络钓鱼活动的模式。我们为使用机器学习算法的网络钓鱼URL检测提供了强大的框架，结合了特征提取技术和分类模型。我们的方法涉及从URL中提取关键特征，包括词汇特征，基于域的特征和URL元数据。这些功能是各种机器学习分类器的输入，包括逻辑回归，支持向量机（SVM），随机森林和梯度提升等。
使用机器学习检测网络钓鱼
恶意网络近年来，随着移动设备的使用越来越多，将几乎是现实世界的运营转移到网络世界的趋势越来越大。尽管这使我们的日常生活变得容易，但由于互联网的匿名结构，它也带来了许多安全漏洞。使用的防病毒程序和防火墙系统可以防止大多数攻击。但是，经验丰富的攻击者试图用伪造网页向他们进行融合，以针对计算机用户的弱点。这些页面模仿了一些流行的银行业务，社交媒体，电子商务等。网站要窃取一些敏感信息，例如用户ID，密码，银行帐户，信用卡号等。网络钓鱼检测是一个具有挑战性的问题，在市场上提出了许多不同的解决方案，作为黑名单，基于规则的检测，基于异常的检测等。在文献中，可以看出，由于其动态结构，目前的作品倾向于使用基于机器学习的异常检测，尤其是捕捉“零日”攻击。在本文中，我们通过使用八种不同的算法来分析URL，并提出了一个基于机器学习的网络钓鱼检测系统，以及三个不同的数据集将结果与其他工作进行比较。实验结果描述了
使用机器学习的电子邮件网络钓鱼检测
电子邮件网络钓鱼继续对网络安全构成重大威胁，在全球范围内重大财务损失和数据泄露。本论文提供了针对基于机器学习来检测网络钓鱼电子邮件的机器学习的彻底调查。这项研究的主要目的是利用机器学习技术来提高网络钓鱼检测的准确性和效率。各种算法，例如支持向量机（SVM），决策树，天真的贝叶斯，随机森林和逻辑回归，用于将电子邮件分类为网络钓鱼或合法的。超参数进行了微调，以提高这些算法的准确性，并采用正则化方法来解决过度拟合问题。这些模型的性能评估了我们的指标，例如准确性，精度，回忆和F1-SCOREC。发现的结果表明，具有优化的超级参数的随机森林算法达到了最高的检测准确性，并且表现明显优于传统方法。本研究强调了机器学习在增强电子邮件安全性方面的潜力，并为未来的网络钓鱼检测提供了坚实的框架。结果强调了在机器学习中持续发展以防止不断发展的网络威胁的必要性。
网络钓鱼指南：在第一阶段停止攻击周期
实施免费的保护性 DNS 解析器，以防止恶意行为者将用户重定向到恶意网站以窃取其凭据。有多种服务提供免费的安全工具，从个人到专业用例，例如 OpenDNS Home 或 Cloudflare Zero Trust Services。有关更多信息，请参阅 CISA 的免费网络安全服务和工具网页。联邦组织应参阅 CISA 的情况说明书《保护性域名系统 (DNS) 解析器服务》以获取信息。
使用深度学习的高级网络钓鱼网站预测
1印度海得拉巴市人工智能大学学生系2,3,4助理教授。摘要 - 该项目旨在利用深度学习算法和功能工程技术的结合来开发有效的网络钓鱼URL检测系统。系统将仔细检查各种URL特性，包括域名，路径，长度和可疑关键字的存在，以准确识别网络钓鱼URL并在单击它们之前立即提醒用户。对系统的评估将使用包含已知网络钓鱼和合法URL的综合数据集进行，并计算精度，召回，准确性和F1得分等性能指标。将对现有的网络钓鱼检测工具进行比较分析，以评估系统的有效性和效率。最终，该项目努力提高网络钓鱼检测系统的可靠性和功效，从而保护了用户免受网络钓鱼骗局的受害者的影响，并减轻了个人信息盗窃的风险。关键字：网络钓鱼，精度，回忆，准确性。I.简介
针对海湾阿拉伯国家的加密货币投资者的网络钓鱼攻击
摘要：随着包括金融领域在内的所有领域技术的快速发展，人们纷纷投资加密货币，有时甚至没有任何先验知识或经验。这促使黑客通过多种类型的欺诈和攻击，尤其是网络钓鱼攻击来掠夺没有经验的投资者。加密货币投资交易无需银行和货币机构等中介机构即可进行。投资加密货币是一种点对点交易，无需实体钱包的参与。本研究探讨了由于加密货币投资的性质，人们可能成为网络钓鱼攻击受害者的情况。本研究的目的是了解各种针对加密货币的网络钓鱼攻击的概念，并衡量阿拉伯海湾国家加密货币投资者对加密货币投资相关安全风险的认识。这项研究是通过在加密货币投资者中分发调查问卷并收集和分析所有调查回复进行的。结果显示，人们对如何应对加密货币投资相关的安全风险缺乏认识。研究得出的结论是，大多数加密货币投资者不知道如何应对网络钓鱼攻击。最后，我们讨论了未来的研究方向，并建议可以采取哪些行动来提高投资者对这一问题的认识。
使用机器学习检测网站网站-IJRPR
“黑名单”方法是识别网络钓鱼网站的基本技术的另一个名称，涉及在防病毒数据库中添加IP地址并更新被禁止的URL。攻击者利用发明的方法来欺骗人们认为URL是通过混淆和其他直接策略（如Fast-Flux）真实的，它会自动生成代理以托管网页，算法URL创建等，以避免将其包含在黑名单中。此方法的主要缺陷是它无法识别在零时发生的网络钓鱼攻击。基于启发式的检测能够识别现实世界网络钓鱼尝试中存在的特征，零小时的网络钓鱼攻击，但是检测中存在很大的假阳性率，并且这些特征并不总是存在于此类攻击中。
