Advanced Modeling of AI, Machine Learning, and Deep Learning Approaches for Phishing Attack Detection on the Web
Notice bibliographique
Résumé
Traditional phishing attacks take precedence among heavily used threats against internet security, capitalizing on user-perceived vulnerabilities, system architecture, and digital communication channels. In this study, we provide an elaborate statistical analytical review of some recent research works utilizing Machine Learning (ML), Deep Learning (DL), and Artificial Intelligence (AI) techniques for phishing detection. The review covered qualitative methodology synthesis and quantitative bench marking against performance indicators: accuracy, reliability, computational overhead, efficiency, and complexity. Each method was analyzed concerning its architectural framework, application situation, model fine-tuning, and experiment design. Apart from the popular measures, memory and time complexity are unique to our study, making it suited to aid in decisionmaking real-world deployment. To achieve internal consistency and facilitate comparison, both stated values and expert-derived values were brought into a singular tabular framework to be presented herein. The results show consistently better predictive and stable performance of hybrid optimization-DL models and transformers-based detectors against standalone variants of ML. Nonetheless, interpret ability of models, resource requirements, and adversarial resistivity still remain problematic. This work hence ameliorates against the most critical disadvantages of prior surveys by combining empiric with sound commentary and outlining actionable avenues for furthering next research efforts. It encompasses both a well-defined taxonomy and a performancecentered road map for all researchers and practitioners searching for unique, scalable, and ethical solutions toward phishing detection process. The statistical lucidity and deployment relevance of this work raise it from an ordinary review to a decision support system for advanced strategies in cyberspace defense scenarios.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».