Exploring the Efficacy of Federated-Continual Learning Nodes with Attention-Based Classifier for Robust Web Phishing Detection: An Empirical Investigation

本文讨论网络钓鱼的动态威胁，需要检测系统快速适应最新策略。积累数据和定期重新训练模型的传统方法已经被超越。我们提出了一种新的范式，将联邦学习和持续学习相结合，使分布式节点能够在新的网络钓鱼数据流上持续更新模型，而不需要积累数据。然后通过联邦学习将这些本地适应的模型聚合到中央服务器上。为了增强检测能力，我们引入了一种定制的基于注意力机制和残差连接的分类器模型，针对网络钓鱼进行了优化，利用注意力机制捕捉复杂的网络钓鱼模式。我们通过实证研究评估了我们的混合学习模型在持续学习策略（累积、回放、MIR、LwF）和模型架构方面的表现。我们的主要贡献是：（1）一种新的混合联邦-持续学习范式，用于强大的网络钓鱼检测，（2）一种新颖的基于注意力机制和残差连接的模型，专门设计用于此任务，采用LwF策略获得0.93的准确率、0.90的精确度、0.96的召回率和0.93的F1分数，优于传统方法，在保留过去知识的同时检测新出现的网络钓鱼威胁。

本论文旨在解决Web钓鱼检测面临的动态威胁问题，提出了结合联邦学习和持续学习的新型范式，使分布式节点能够在不积累数据的情况下持续更新模型。

论文提出了一种混合联邦-持续学习范式，通过注意力机制捕捉复杂的钓鱼模式，利用残差连接定制的分类器模型，能够在不断变化的Web钓鱼攻击中快速适应，并保持过去的知识。

论文通过实证研究评估了混合学习范式和模型架构，提出的模型在LwF策略下取得了0.93的准确度、0.90的精确度、0.96的召回率和0.93的F1分数，优于传统方法。此外，论文还开源了相关代码。

在这个领域中，最近的相关研究包括：'A Survey of Phishing Detection Techniques'、'Deep Learning for Phishing Detection: A Comparative Study'、'PhishAri: Automatic Real-time Phishing Detection on Twitter'等。