Метод автоматизованого виявлення фішингу в електронних листах на основі гібридної нейромережевої архітектури

Abstract

У статті запропоновано новий метод для автоматизованого виявлення фішингового вмісту в текстовій частині електронних листів, який базується на застосуванні гібридної нейромережевої архітектури. Основу запропонованого методу складає інтеграція згорткових нейронних мереж, двонаправлених рекурентних мереж з довгою короткостроковою пам'яттю та механізму уваги. Таке поєднання дає можливість враховувати локальні та глобальні семантичні ознаки тексту одночасно, підвищуючи ефективність класифікації фішингових повідомлень порівняно з класичними методами машинного навчання та традиційними нейромережевими підходами. В роботі здійснено поглиблене дослідження впливу розмірності векторних представлень слів GloVe на результати класифікації. Проведені експерименти охоплювали кілька наборів даних різного розміру та характеру текстів, включаючи як загальні набори, так і спеціалізовані для виявлення фішингу. Аналіз показав, що оптимальний вибір розміру ембедингів суттєво впливає на здатність моделі розпізнавати контекстуальні особливості шахрайських повідомлень, що, у свою чергу, позитивно впливає на загальну точність та повноту ідентифікації. Додаткову увагу приділено використанню механізму уваги, який забезпечує автоматичне визначення важливості слів і виразів, що є ключовими для розпізнавання фішингового контенту. Цей механізм дозволяє моделі точніше концентруватися на потенційно небезпечних ознаках, зменшуючи кількість хибних спрацьовувань. Порівняльні експериментальні дослідження продемонстрували перевагу запропонованого методу над класичними моделями, такими як логістична регресія та машини опорних векторів, а також схожу або вищу ефективність порівняно з іншими сучасними нейромережевими методами, включаючи трансформерні архітектури. У статті також запропоновано рекомендації щодо практичного впровадження розробленого методу та визначено перспективні напрямки подальших досліджень, зокрема щодо адаптації методу до умов реального часу.