Gradient Boosting Decision Trees for Real-Time Phishing Attack Prevention in Cybersecurity
Notice bibliographique
Résumé
Phishing remains one of the most persistent threats in cybersecurity, exploiting human and technical vulnerabilities to compromise sensitive information. Traditional detection methods in network security often struggle to keep pace with the dynamic and evolving nature of phishing attacks, highlighting the need for more adaptive and intelligent solutions. This research uses a comprehensive quantitative analysis to evaluate the effectiveness of machine learning using Gradient Boosting Decision Trees (GBDT) for real-time phishing attack prevention. The proposed model used in this study integrates textual features derived from TF-IDF with dimensionality reduction and lightweight heuristic indicators, enabling efficient and accurate classification of phishing attempts in near real-time. Using a benchmark dataset of $\mathbf{5, 8 0 9}$ email messages, the model achieved 97.16% accuracy, with substantial precision, recall, and ROC-AUC performance, demonstrating its robustness for practical deployment in intrusion detection and phishing defense systems. Unlike prior approaches that rely solely on traditional classification or heavy deep learning models, this study underscores the value of GBDT as a balanced solution that offers high detection capability and computational efficiency. The uniqueness of this research lies in its demonstration of how boosting techniques within the machine learning domain can provide scalable, real-time defense mechanisms against phishing, making it a compelling contribution to advancing proactive network security and cybersecurity strategies.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 ».