基于 Transformer 语义特征的深层强化学习网络钓鱼检测
机器学习
2025-12-09 v1 人工智能
密码学与安全
摘要
网络钓鱼是一种欺骗个体泄露个人信息的网络犯罪，常导致财务损失。这些攻击通常通过欺骗性信息、误导性广告和被破坏的合法网站实施。本研究提出了一种量子回归深度 Q 网络 (Quantile Regression Deep Q-Network, QR-DQN) 方法，将 RoBERTa 语义嵌入与手工特征相结合，以提升网络钓鱼检测效果，同时考虑不确定性。不同于传统 DQN 方法仅估计单个标量 Q 值，QR-DQN 利用量子回归来建模回报的分布，从而提高在未见网络钓鱼数据上的稳定性和泛化能力。 curated 了一个包含 105,000 条 URL 的多样化数据集，来自 PhishTank、OpenPhish、Cloudflare 等来源，并采用 80/20 的训练-测试划分对模型进行评估。QR-DQN 框架实现了 99.86% 的测试准确率、99.75% 的精确率、99.96% 的召回率和 99.85% 的 F1 分数，显示出高效的性能。与标准 DQN 结合手工特征相比，混合 QR-DQN 结合手工特征和语义特征将泛化差距从 1.66% 降低到 0.04%，表明在鲁棒性方面取得了显著提高。五折交叉验证确认了模型的可靠性，平均准确率为 99.90%，标准差为 0.04%。这些结果表明，所提出的混合方法有效识别网络钓鱼威胁，适应不断演变的攻击策略，并对未见数据具有良好的泛化能力。
引用
@article{arxiv.2512.06925,
title = {Deep Reinforcement Learning for Phishing Detection with Transformer-Based Semantic Features},
author = {Aseer Al Faisal},
journal= {arXiv preprint arXiv:2512.06925},
year = {2025}
}