Порівняльний аналіз трансформерних моделей та гібридних архітектур у задачах виявлення фішингового контенту

І.М. Лазарович; А.Д. Кваснюк

doi:10.15330/itee.2025.2.02

Автор(и)

І.М. Лазарович Прикарпатський національний університет імені Василя Стефаника https://orcid.org/0000-0001-5219-4714
А.Д. Кваснюк Прикарпатський національний університет імені Василя Стефаника https://orcid.org/0009-0001-0653-3217

DOI:

https://doi.org/10.15330/itee.2025.2.02

Ключові слова:

фішинговий контент, виявлення фішингу, обробка природної мови, трансформерні моделі, BERT, гібридні нейронні мережі, CNN, LSTM, механізм уваги, класифікація тексту

Анотація

У роботі показано, що застосування гібридних нейромережевих архітектур на основі CNN, LSTM та механізму уваги забезпечує вищу ефективність виявлення фішингового контенту порівняно з трансформерною моделлю BERT. Проведений експериментальний аналіз із використанням K-Fold крос-валідації та стандартних метрик якості підтвердив переваги поєднання локального аналізу тексту й моделювання довготривалого контексту. Встановлено, що інтеграція механізму Attention підвищує точність і повноту класифікації за рахунок фокусування на найбільш інформативних фрагментах тексту. Отримані результати свідчать про перспективність гібридних підходів для побудови практичних систем виявлення фішингових атак.

Посилання

M. Vijayalakshmi, S. Mercy Shalinie, M. H. Yang, and R. M. U., “Web phishing detection techniques: a survey on the state-of-the-art, taxonomy and future directions,” IET Netw., vol. 9, no. 5, pp. 235–246, Sep. 2020. doi: https://doi.org/10.1049/iet-net.2020.0078.

M. A. Adebowale, K. T. Lwin, and M. A. Hossain, “Deep Learning with Convolutional Neural Network and Long Short-Term Memory for Phishing Detection,” in 2019 13th Int. Conf. Softw., Knowl., Inf. Manage. Appl. (SKIMA), Island of Ulkulhas, Maldives, Aug. 26–28, 2019. IEEE, 2019. doi: https://doi.org/10.1109/skima47702.2019.8982427.

S. Priya, D. Gutema, and S. Singh, “A Comprehensive Survey of Recent Phishing Attacks Detection Techniques,” in 2024 5th Int. Conf. Innovative Trends Inf. Technol. (ICITIIT), Kottayam, India, Mar. 15–16, 2024. IEEE, 2024. doi: https://doi.org/10.1109/icitiit61487.2024.10580446.

S. Atawneh and H. Aljehani, “Phishing Email Detection Model Using Deep Learning,” Electronics, vol. 12, no. 20, p. 4261, Oct. 2023. doi: https://doi.org/10.3390/electronics12204261.

U. Daniel, E. Bartholomew, and F. Egbono, “Phishing URL Attack Detection using Logistic Regression and Convolutional Neural Network,” Int. J. Comput. Appl., vol. 187, no. 1, pp. 8–14, May 2025. doi: https://doi.org/10.5120/ijca2025924611.

B. Vishnupriya, B. Vikas, and M. D. Choudhry, “Hybrid Deep Learning Framework for ECG-Based Arrhythmia Detection Using CNN, Bi-LSTM, and Transformer,” in 2025 IEEE 4th World Conf. Appl. Intell. Comput. (AIC), GB Nagar, Gwalior, India, Jul. 26–27, 2025. IEEE, 2025, pp. 628–632. doi: https://doi.org/10.1109/aic66080.2025.11212074.

A. A. Tawil, L. Almazaydeh, D. Qawasmeh, B. Qawasmeh, M. Alshinwan, and K. Elleithy, “Comparative Analysis of Machine Learning Algorithms for Email Phishing Detection Using TF-IDF, Word2Vec, and BERT,” Comput., Mater. & Continua, pp. 1–10, 2024. doi: https://doi.org/10.32604/cmc.2024.057279.

M. E. Maurer, "Phishload," URL: https://www.medien.ifi.lmu.de/team/max.maurer/files/phishload .

S. Luo, Y. Gu, X. Yao, and W. Fan, “Research on Text Sentiment Analysis Based on Neural Network and Ensemble Learning,” Revue d'Intell. Artificielle, vol. 35, no. 1, pp. 63–70, Feb. 2021. doi: https://doi.org/10.18280/ria.350107.

K. Zhou, Y. Zhou, W. X. Zhao, and J.-R. Wen, “Learning to Perturb for Contrastive Learning of Unsupervised Sentence Representations,” IEEE/ACM Trans. Audio, Speech, Lang. Process., pp. 1–10, 2023. doi: https://doi.org/10.1109/taslp.2023.3304485.

M. Abdar et al., “A review of uncertainty quantification in deep learning: Techniques, applications and challenges,” Inf. Fusion, vol. 76, pp. 243–297, Dec. 2021. doi: https://doi.org/10.1016/j.inffus.2021.05.008.