J 2025

Improving phishing email detection performance through deep learning with adaptive optimization

HOSSEINZADEH, Mehdi; Ali USMAN; Saqib ALI; Ramin ABBASZADI; Farhad Soleimanian GHAREHCHOPOGH et al.

Základní údaje

Originální název

Improving phishing email detection performance through deep learning with adaptive optimization

Název česky

Zlepšení výkonu detekce phishingových e-mailů pomocí hlubokého učení s adaptivní optimalizací

Autoři

HOSSEINZADEH, Mehdi; Ali USMAN; Saqib ALI; Ramin ABBASZADI; Farhad Soleimanian GHAREHCHOPOGH; Parisa KHOSHVAGHT; Thantrira PORNTAVEETUS a Jan LÁNSKÝ

Vydání

Scientific Reports, Berlin, Springer Nature, 2025, 2045-2322

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Německo

Utajení

není předmětem státního či obchodního tajemství

Impakt faktor

Impact factor: 3.900 v roce 2024

Označené pro přenos do RIV

Ano

Kód RIV

RIV/04274644:_____/25:#0001276

Organizační jednotka

Vysoká škola finanční a správní

EID Scopus

Klíčová slova česky

Detekce phishingových e-mailů; Hluboké učení; Optimalizátor pro horské gazely; Zabezpečení e-mailů; Strojové učení; Optimalizace

Klíčová slova anglicky

Phishing email detection; Deep learning; Mountain gazelle optimizer; Email security; Machine learning; Optimization

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 21. 1. 2026 14:12, Mgr. Jitka Štruncová

Anotace

V originále

Phishing email attacks are becoming increasingly sophisticated, placing a heavy burden on cybersecurity, which requires more advanced detection techniques. Attackers often craft emails that closely resemble those from trusted sources, making it difficult for users and traditional filters to distinguish between legitimate and malicious messages. This paper introduces a new hybrid deep learning and optimizer architecture for detecting phishing emails based on the Mountain Gazelle Optimizer (MGO). A hybrid architecture is proposed, comprising contextual embedding using Bidirectional Encoder Representations from Transformers (BERT), feature extraction with Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU) temporal dependencies, and multi-head attention for refining the key feature focus in email text. The dataset used in this paper for phishing detection is obtained from the Kaggle website, which includes phishing and legitimate emails. Hyperparameter optimization with the MGO results in a robust model with good classification accuracy. Our experiments demonstrate improved accuracy, precision, recall, and F1 score, with values of 96.8%, 97.2%, 95.4%, and 96.3%, respectively, for enhanced phishing email detection compared to baseline models. Also, the model reduces false positives by 2.5% compared to state-of-the-art conventional methods. These results demonstrate the effectiveness of transformer-based embeddings, combined with advanced neural networks and optimization techniques, in mitigating phishing threats.

Česky

Útoky phishingovými e-maily jsou stále sofistikovanější a kladou velkou zátěž na kybernetickou bezpečnost, která vyžaduje pokročilejší detekční techniky. Útočníci často vytvářejí e-maily, které se velmi podobají e-mailům z důvěryhodných zdrojů, což uživatelům a tradičním filtrům ztěžuje rozlišení mezi legitimními a škodlivými zprávami. Tento článek představuje novou hybridní architekturu hlubokého učení a optimalizace pro detekci phishingových e-mailů založenou na optimalizátoru Mountain Gazelle (MGO). Je navržena hybridní architektura, která zahrnuje kontextové vkládání pomocí Bidirectional Encoder Representations from Transformers (BERT), extrakci rysů s konvoluční neuronovou sítí (CNN), časové závislosti Gated Recurrent Unit (GRU) a vícehlavou pozornost pro zpřesnění zaměření na klíčové rysy v textu e-mailu. Soubor dat použitý v tomto článku pro detekci phishingu je získán z webových stránek Kaggle, které zahrnují phishingové a legitimní e-maily. Optimalizace hyperparametrů s MGO vede k robustnímu modelu s dobrou přesností klasifikace. Naše experimenty prokazují zlepšenou přesnost, preciznost, úplnost a skóre F1 s hodnotami 96,8 %, 97,2 %, 95,4 % a 96,3 % pro vylepšenou detekci phishingových e-mailů ve srovnání se základními modely. Model také snižuje počet falešně pozitivních výsledků o 2,5 % ve srovnání s nejmodernějšími konvenčními metodami. Tyto výsledky demonstrují účinnost transformátorových embeddingů v kombinaci s pokročilými neuronovými sítěmi a optimalizačními technikami při zmírňování phishingových hrozeb.

Přiložené soubory