AI驱动的图像分析用于网络钓鱼检测
计算机视觉与模式识别
2026-04-16 v1 网络与互联网体系结构
摘要
网络钓鱼网站如今广泛依赖视觉模仿抄袭的标志、相似的布局以及匹配的配色，以避免被基于文本和URL的系统检测。本文提出了一种深度学习方法，使用网页截图进行基于图像的网络钓鱼检测。测试了两种视觉模型，ConvNeXt-Tiny 和 Vision Transformer (ViT-Base)，以评估其对视觉误导性网络钓鱼页面的处理能力。该框架涵盖数据集创建、预处理、使用ImageNet权重的迁移学习，以及使用不同决策阈值的评估。结果表明，ConvNeXt-Tiny 在总体上表现最佳，在优化阈值下取得最高F1分数，并且比ViT-Base更高效。这凸显了卷积模型在视觉网络钓鱼检测中的优势，说明阈值调谐在实际部署中的重要性。作为未来工作，本研究使用的精选数据集将公开发布，以支持可重复性研究并鼓励进一步的研究。与许多现有研究主要报告准确率不同，本文更强调基于阈值的评估，以更好地反映实际部署条件。通过检查不同决策阈值下的精确率、召回率和F1分数，研究确定了平衡检测性能和误报控制的运行点。此外，在相同的实验设置下比较ConvNeXt-Tiny和ViT-Base，提供了卷积和Transformer-based架构在视觉网络钓鱼检测中的鲁棒性和计算效率差异的实用见解。
引用
@article{arxiv.2604.13555,
title = {AI Powered Image Analysis for Phishing Detection},
author = {K. Acharya and S. Ale and R. Kadel},
journal= {arXiv preprint arXiv:2604.13555},
year = {2026}
}
备注
8 pages, 3 figures