探索基于注意力分类器的联邦-持续学习节点在鲁棒网页钓鱼检测中的效能：一项实证研究
机器学习
2024-10-01 v2 人工智能
摘要
网页钓鱼构成一种动态威胁，要求检测系统快速适应最新策略。传统的积累数据并定期重新训练模型的方法已跟不上节奏。我们提出了一种结合联邦学习和持续学习的新范式，使分布式节点能够在新钓鱼数据流上持续更新模型，而无需积累数据。这些本地适应的模型随后通过联邦学习在中央服务器上聚合。为了增强检测能力，我们引入了一个定制的基于注意力的分类器模型，带有残差连接，专为网页钓鱼设计，利用注意力机制捕获复杂的钓鱼模式。我们通过实证研究评估了我们的混合学习范式在多种持续学习策略（累积、重放、MIR、LwF）和模型架构上的表现。我们的主要贡献是：(1) 一种新的混合联邦-持续学习范式，用于鲁棒的网页钓鱼检测；(2) 一种专门为此任务设计的新型注意力+残差连接模型，在LwF策略下达到了0.93准确率、0.90精确率、0.96召回率和0.93 F1分数，在检测新兴钓鱼威胁方面优于传统方法，同时保留了旧知识。
引用
@article{arxiv.2405.03537,
title = {Exploring the Efficacy of Federated-Continual Learning Nodes with Attention-Based Classifier for Robust Web Phishing Detection: An Empirical Investigation},
author = {Jesher Joshua M and Adhithya R and Sree Dananjay S and M Revathi},
journal= {arXiv preprint arXiv:2405.03537},
year = {2024}
}