Context-Aware RESTful API Framework for Real-Time Phishing Risk Mitigation Using Multidimensional Analytical Models
Notice bibliographique
Résumé
Phishing attacks represent a remarkable threat to the digital ecosystem, being especially vicious in fast-changing environments such as e commerce, social media, and online banking. The existing mitigation methods are either rule-based filtering, blacklisting, or feature extraction in isolation and fail to view the evolving contextual and behavioral dynamics of sophisticated phishing techniques. Such conventional models cannot adapt to changing environments, fail to look at sessionaware behavior, and consequently, respond in real time, at best. Thus, this study proposes a new RESTful Phishing Risk Mitigation Framework, a near-real-time, API-based architecture that detects phishing risks using context-aware set of intelligence. The model introduces five novel analytical methods capable of targeting very specific threat dimensions in HTTP-based interactions: Dynamic Meta-Behavioral Fusion (DMBF) calculates a behavioral risk vector by fusing metadata, device fingerprinting, and interaction metrics across sessions. Recursive Embedded Content Diffusion Analysis (RECDA) traces embedded resources recursively to evaluate deep-link phishing behavior using DOM simulations. Context-Aware Referrer Chain Validity (CRCV) examines the consistency of domain transitions and identifies semantic anomalies within referring chains. Temporal Entropy Sequencing Engine (TESE) analyzes time-series entropy of request patterns to detect botdriven or high-drift user behavior sets. Adaptive Client-Side Integrity Signal Aggregator (ACISA) captures passive client side anomalies including CSP violations and blocked script events for real-time integrity signals, increasing the final risk score. The layered framework improves detection accuracy, supports session continuity analysis, and allows for modular packages across various digital platforms. Experiments give an AUC of$\geq 0.93$while keeping false-positive rates below 4 %. This framework helps take a giant leap toward proactive phishing defense through behavioral-learning analysis, structural validation, and client-side introspection sets.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».