Advanced AI-Powered Phishing URL Detection Using Ensemble Algorithm with RNN, BILSTM, GRU Approach
Notice bibliographique
Résumé
Phishing attacks represent a major security threat to cybersecurity, often tricking users into divulging sensitive information through malicious URLs. To combat this growing concern, our project, Advanced Phishing URL Detection Through AI Techniques, leverages deep learning-based models to classify URLs as either phishing or Authentic. Utilizing the ISCX-URL dataset from the Canadian Institute for Cybersecurity, we explore the effectiveness of various recurrent neural network (RNN) architectures for phishing URL detection. We implemented and evaluated three deep learning models—Recurrent Neural Networks (RNN), Gated Recurrent Units (GRU), and Bidirectional Long Short-Term Memory (BiLSTM). Our experimental results indicate that the BiLSTM model outperformed the others, achieving a test accuracy of 90%, followed by GRU at 87% and RNN at 84%. These findings suggest that incorporating bidirectional context awareness significantly enhances phishing detection accuracy. This research highlights the potential of AI-driven methods in strengthening cybersecurity defences against phishing attacks.In this work, we present a comparative study of deep learning models—RNN, GRU, and BiLSTM—for phishing URL detection using the ISCX-URL dataset. Our primary contribution lies in the empirical demonstration that BiLSTM, due to its bidirectional context awareness, achieves the highest test accuracy of 90.14%, outperforming GRU 87.10% and RNN 84.00%. Additionally, we apply preprocessing techniques and experiment with model tuning to enhance classification accuracy. These findings underscore the applicability of deep learning for real-time phishing detection in cybersecurity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».