Алгоритм виявлення фішингових загроз на основі трансформерної архітектури DistilBERT
| dc.contributor.author | Гуменчук, Е. С. | uk |
| dc.title | Алгоритм виявлення фішингових загроз на основі трансформерної архітектури DistilBERT | uk |
| dc.date.issued | 2026 | |
| dc.publisher | Вінницький національний технічний університет | uk |
| dc.identifier.citation | Гуменчук Е. С. Алгоритм виявлення фішингових загроз на основі трансформерної архітектури DistilBERT // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fm/all-fm-2026/paper/view/26664. | uk |
| dc.relation.ispartof | Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fm/all-fm-2026/paper/view/26664 | |
| dc.identifier.udc | 004.056.5 | |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/55083 | |
| dc.description.abstract | У роботі представлено алгоритм виявлення фішингових загроз у веборієнтованих системах на основі донавченої трансформерної моделі DistilBERT. Розглянуто архітектуру системи, що включає модулі попередньої обробки даних, класифікації та пояснення рішень. Описано методику генерації синтетичних навчальних даних для адаптації до нових типів атак. | uk |
| dc.description.abstract | The paper presents an algorithm for detecting phishing threats in web-oriented systems based on a fine-tuned | en |
| dc.subject | DistilBERT | en |
| dc.subject | трансформери | uk |
| dc.subject | виявлення фішингу | uk |
| dc.subject | глибоке навчання | uk |
| dc.subject | синтетичні дані | uk |
| dc.subject | transformers | en |
| dc.subject | phishing detection | en |
| dc.subject | deep learning | en |
| dc.subject | synthetic data | en |
| dc.type | Thesis | |
| dc.language.iso | uk_UA | uk_UA |
| dc.relation.references | Catal, C., Giray, G., Tekinerdogan, B., Kumar, S., & Shukla, S. (2022). Applications of deep learning for phishing detection: a systematic literature review. Knowledge and Information Systems, 64(6), 1457-1500. | en |
| dc.relation.references | Yang, W., Zuo, W., & Cui, B. (2019). Detecting malicious URLs via a keyword-based convolutional gated-recurrent-unit neural network. Ieee Access, 7, 29891-29900. | en |
| dc.relation.references | Tarapiah, S., Abbas, L., Mardawi, O., Atalla, S., Himeur, Y., & Mansoor, W. (2025). Evaluating the effectiveness of large language models (LLMs) versus machine learning (ML) in identifying and detecting phishing email attempts. Algorithms, 18(10), 599. Syed, S. A. (2025). Adversarial AI and cybersecurity: defending against AI-powered cyber threats. Iconic Research And Engineering Journals, 8(9), 1030-1041. | en |
| dc.date.accessioned | 2026-10-07T10:14:10Z |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- 26664.pdf
- Розмір:
- 345,53 KB
- Формат:
- Adobe Portable Document Format