联邦钓鱼碗：基于 LSTM 的去中心化钓鱼邮件检测
密码学与安全
2022-07-06 v2 机器学习
摘要
近年来钓鱼活动愈发复杂，钓鱼邮件利用看似更合法的个性化语境来诱骗用户。为解决此问题，相较于传统的基于启发式的算法，诸如由自然语言处理（NLP）驱动的方法等更具适应性的检测系统对于理解钓鱼文本表征至关重要。然而，围绕可能包含机密信息的钓鱼数据收集所引发的担忧阻碍了模型学习的有效性。我们提出了一种称为联邦钓鱼碗（FedPB）的去中心化钓鱼邮件检测框架，其在保护隐私的前提下促进协作式钓鱼检测。具体而言，我们设计了一种基于联邦学习（FL）的知识共享机制。该框架使用长短期记忆（LSTM）进行钓鱼检测，通过跨客户端共享全局词嵌入矩阵来实现自适应，各客户端使用 Non-IID 数据运行其本地模型。我们收集了最新的钓鱼样本，以不同客户端数量和数据分布研究所提方法的有效性。结果表明，FedPB 能达到与集中式钓鱼检测器相竞争的性能，且可泛化至多种 FL 情形，保持 83% 的预测准确率。
引用
@article{arxiv.2110.06025,
title = {Federated Phish Bowl: LSTM-Based Decentralized Phishing Email Detection},
author = {Yuwei Sun and Ng Chong and Hideya Ochiai},
journal= {arXiv preprint arXiv:2110.06025},
year = {2022}
}
备注
To be published in 2022 IEEE International Conference on Systems, Man, and Cybernetics (SMC)