Next Generation of Phishing Attacks using AI powered Browsers

这篇研究探索了开发和利用实时浏览器扩展与机器学习模型集成来提高钓鱼网站检测的能力。结果显示，该模型的准确率为98.32％，精确率为98.62％，召回率为97.86％，F1分数为98.24％。与支持向量机、朴素贝叶斯、决策树、XGBoost和K最近邻等其他算法相比，随机森林算法在检测钓鱼攻击方面表现出色。在为期15天的零日钓鱼攻击检测测试中，该模型能够识别以前未见过的威胁，从而实现了总体准确率为99.11％。此外，与Google Safe Browsing等传统安全措施相比，该模型表现更好。该模型成功检测到了Google安全浏览无法检测到的钓鱼网址。这项研究展示了在实时浏览器扩展中使用机器学习可以防御钓鱼攻击，为网络安全提供了有用的信息，并使网络更安全。

本论文旨在探讨如何利用机器学习模型来实时检测网络钓鱼攻击，并提出了一种基于浏览器扩展的解决方案。该方案的目的是提高网络钓鱼攻击检测的准确性和实时性。

论文提出了一种基于浏览器扩展和机器学习模型相结合的方法，有效地提高了网络钓鱼攻击的检测准确性和实时性。其中，随机森林算法被证明是最有效的算法之一。

论文的实验结果表明，该模型的准确率为98.32％，精确度为98.62％，召回率为97.86％，F1得分为98.24％。在15天的零日攻击检测测试中，该模型的检测准确率达到了99.11％。此外，该模型相比于传统的安全措施（如Google安全浏览）具有更好的性能。

近年来，在网络安全领域中，还有一些相关的研究，如《A Hybrid Deep Learning Approach for Network Intrusion Detection》、《A Survey of Machine Learning for Big Data Processing》等。