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
Odkazy
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
UT WoS
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
Štítky
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 21. 1. 2026 14:12, Mgr. Jitka Štruncová
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.