DOI: https://doi.org/10.1038/s41598-026-46481-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41927869
تاريخ النشر: 2026-04-02
المؤلف: R. Gobinath وآخرون
الموضوع الرئيسي: كشف البريد المزعج والاحتيال
نظرة عامة
تقدم البحث شبكة الذكاء العميق التكيفية لرابط URL (ADUIN)، وهو نموذج جديد للتعلم العميق مصمم لتعزيز اكتشاف التصيد الاحتيالي في مواجهة التهديدات المتطورة. تعاني أنظمة اكتشاف التصيد التقليدية، التي تعتمد على ميزات مصنوعة يدويًا والقوائم السوداء الثابتة، من صعوبة في التعامل مع روابط التصيد الاحتيالي ذات اليوم الصفري والتمويه، مما يؤدي إلى معدلات إيجابية خاطئة عالية وقابلية محدودة للتوسع. بالمقابل، يستخدم ADUIN طريقة تصنيف ذات صلة هجينة لتحسين ميزات الرابط اللغوية، المستندة إلى المضيف، والهيكلية، مستفيدًا من بنية عصبية عميقة متعددة الطبقات لالتقاط أنماط التصيد الاحتيالي غير الخطية المعقدة بشكل فعال.
تظهر النتائج التجريبية على مجموعات بيانات التصيد الاحتيالي القياسية أن ADUIN يتفوق بشكل كبير على المصنفات الحالية للتعلم الآلي، محققًا دقة تصنيف تبلغ 95%، ودقة 93%، ومعدل اكتشاف يبلغ 92% لروابط التصيد الاحتيالي ذات اليوم الصفري، مع الحفاظ على معدل إيجابي خاطئ منخفض يبلغ 3.5%. تسمح بنية النظام الديناميكية له بالتكيف مع التغيرات في سلوك الهجوم، مما يحسن دقة تصنيفه ومرونته. تجعل هذه التطورات ADUIN مفيدًا بشكل خاص لحلول الأمان عبر الإنترنت وفي المؤسسات في الوقت الحقيقي، مع تأخير أداء مثالي يبلغ 210 مللي ثانية عند استخدام 50 ميزة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التهديد المتزايد للتصيد الاحتيالي، الذي يُعتبر الشكل الأكثر انتشارًا وخطورة من أشكال الهجمات الإلكترونية. يستغل التصيد الاحتيالي ثقة المستخدمين من خلال التظاهر بكيانات شرعية لاستخراج معلومات حساسة من خلال روابط مضللة. تتطلب التعقيدات المتزايدة لتقنيات التصيد الاحتيالي تطوير أنظمة كشف متقدمة قادرة على تحديد التهديدات المعروفة والجديدة بشكل فعال.
لمعالجة هذا التحدي، يقترح المؤلفون نظام كشف روابط التصيد الاحتيالي الهجين المعروف باسم نموذج تصويت شجرة القرار-لوجستية-دعم المتجهات (LSD-VM)، والذي يتم تقييمه على مجموعة بيانات تضم أكثر من 11,000 رابط تصيد احتيالي وشرعي. يدمج النظام مجموعة متنوعة من مصنفات التعلم الآلي، بما في ذلك الانحدار اللوجستي ومصنفات دعم المتجهات، لتعزيز دقة الكشف. بالإضافة إلى ذلك، تؤكد الورقة على أهمية ميزات الذكاء المستندة إلى المضيف والنطاق، مثل عمر النطاق وبيانات تسجيل WHOIS، التي توفر رؤى سياقية تحسن التمييز بين النطاقات الشرعية والضارة. كما يتم مناقشة بنية شبكة الذكاء العميق التكيفية لرابط URL، موضحة كيف تعالج متجهات الميزات المحسّنة من خلال طبقات خفية متعددة لالتقاط أنماط التصيد الاحتيالي المعقدة وتعزيز مرونة الكشف ضد تقنيات التمويه.
الطرق
في القسم المعنون “الطرق”، يوضح المؤلفون إعداد التجربة ومنهجية التقييم المستخدمة في دراستهم. يتضمن التصميم التجريبي معلمات وظروف محددة تم إجراء التجارب تحتها، مما يضمن إمكانية إعادة إنتاج النتائج وموثوقيتها. يتم وصف الإعداد من حيث المعدات المستخدمة، وتكوين البيئة التجريبية، والبروتوكولات المتبعة أثناء التجربة.
تحدد منهجية التقييم المقاييس والمعايير المستخدمة لتقييم نتائج التجارب. يشمل ذلك التحليلات الإحصائية وتقنيات التحقق لضمان قوة النتائج. يؤكد المؤلفون على أهمية هذه الطرق في استخلاص استنتاجات ذات مغزى من البيانات المجمعة، مما يعزز مصداقية نتائج البحث. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم نتائج الدراسة.
النتائج
تظهر نتائج الدراسة أن نموذج ADUIN يتفوق باستمرار على المنهجيات الأساسية عبر مقاييس التقييم المختلفة، لا سيما في اكتشاف روابط التصيد الاحتيالي ذات اليوم الصفري. تؤكد النتائج التجريبية على أهمية التعلم التكيفي وتحسين اختيار الميزات في تعزيز أداء النموذج. بشكل عام، تشير النتائج إلى أن إطار عمل ADUIN قوي وقابل للتطبيق في السيناريوهات الواقعية، مما يثبت فعاليته في مكافحة تهديدات التصيد الاحتيالي.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على المشهد المتطور لهجمات التصيد الاحتيالي، التي أصبحت أكثر تعقيدًا واستهدافًا وأتمتة. تكافح طرق الكشف التقليدية، مثل القوائم السوداء والفلاتر، ضد التكتيكات المتقدمة مثل تمويه الروابط وإنشاء النطاقات الديناميكية. لقد زادت انتشار الحوسبة السحابية والاجتماعية والمحمولة من أنشطة التصيد الاحتيالي، مما يتطلب أنظمة كشف في الوقت الحقيقي يمكنها التكيف مع الأنماط والسلوكيات الجديدة. تهدف شبكة الذكاء العميق التكيفية لرابط URL (ADUIN) إلى معالجة هذه التحديات من خلال استخدام استخراج الميزات متعددة الأبعاد وتقنيات التعلم العميق لتعزيز دقة الكشف ومرونة ضد التمويه.
تكمن الدوافع وراء ADUIN في عدم كفاية طرق كشف التصيد الاحتيالي الحالية، التي غالبًا ما تعتمد على ميزات ثابتة وتكافح مع الهجمات ذات اليوم الصفري. من خلال الاستفادة من التعلم العميق، يمكن لـ ADUIN استخراج تمثيلات ميزات معقدة من الروابط تلقائيًا، مما يحسن التعميم والقدرة على التكيف مع التهديدات المتطورة. يدمج الإطار اختيار الميزات المحسّنة مع التعلم العميق لإنشاء نظام كشف تصيد احتيالي قوي وقابل للتوسع مناسب للتطبيقات في الوقت الحقيقي. تظهر النتائج التجريبية أن ADUIN يتفوق على الطرق الحالية من حيث الدقة والدقة والاسترجاع، مما يبرز إمكاناته كتحسين كبير في تكنولوجيا كشف التصيد الاحتيالي.
القيود
يسلط قسم القيود الضوء على أوجه القصور في تقنيات كشف التصيد الاحتيالي التقليدية المستندة إلى الروابط، التي تعتمد بشكل أساسي على الطرق اليدوية، والقوائم السوداء، وقواعد التوقيع. بينما تكون فعالة ضد أنماط التصيد المعروفة، فإن هذه الأساليب تفشل في معالجة الهجمات ذات اليوم الصفري، حيث تتطلب تحديثات متكررة وغالبًا لا تلتقط الطبيعة المعقدة متعددة الأبعاد لروابط التصيد الاحتيالي الحديثة. تظهر نماذج التعلم الآلي التقليدية قابلية محدودة للتوسع ومعدلات إيجابية خاطئة عالية بسبب اعتمادها على توزيعات ميزات ثابتة، مما يمكن أن يصنف الروابط الحميدة بشكل خاطئ كتهديدات، مما يقوض في النهاية ثقة المستخدم وفعالية النظام.
يقترح المؤلفون أن تركز الأبحاث المستقبلية على تطوير طرق كشف ديناميكية وذكية قادرة على التكيف مع اتجاهات التصيد المتطورة. يقترحون الاستفادة من الهياكل الخفيفة وضغط النماذج لتعزيز عملية الشبكات العصبية العميقة، التي تتطلب حاليًا موارد حسابية كبيرة. بالإضافة إلى ذلك، يمكن أن يؤدي دمج البيانات متعددة الأنماط – مثل محتوى الموقع، والمرئيات، وسياق البريد الإلكتروني – إلى تحسين دقة الكشف. يؤكد القسم على إمكانات أنظمة الأمان في الوقت الحقيقي التي تحلل البيانات المتدفقة وتتكيف مع سلوكيات التصيد الجديدة، داعيًا إلى آلية تعلم تكيفية تتفوق على النماذج التقليدية والحالية في كشف روابط اليوم الصفري.
DOI: https://doi.org/10.1038/s41598-026-46481-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41927869
Publication Date: 2026-04-02
Author(s): R. Gobinath et al.
Primary Topic: Spam and Phishing Detection
Overview
The research presents the Adaptive Deep URL Intelligence Network (ADUIN), a novel deep learning model designed to enhance phishing detection in the face of evolving threats. Traditional phishing detection systems, which rely on handcrafted features and fixed blacklists, struggle with zero-day and camouflaged phishing URLs, resulting in high false-positive rates and limited scalability. In contrast, ADUIN employs a hybrid relevance-ranking method to optimize URL lexical, host-based, and structural features, utilizing a multi-layer deep neural architecture to effectively capture complex non-linear phishing patterns.
Experimental results on benchmark phishing datasets demonstrate that ADUIN significantly outperforms existing machine learning classifiers, achieving 95% classification accuracy, 93% precision, and a 92% detection rate for zero-day phishing URLs, while maintaining a low false positive rate of 3.5%. The system’s dynamic architecture allows it to adapt to changes in attack behavior, thereby improving its classification accuracy and versatility. These advancements make ADUIN particularly beneficial for real-time online and enterprise security solutions, with an optimal performance delay of 210 ms when utilizing 50 features.
Introduction
The introduction of the research paper highlights the pervasive threat of phishing, which is identified as the most prevalent and hazardous form of cyberattack. Phishing exploits users’ trust by masquerading as legitimate entities to extract sensitive information through deceptive URLs. The increasing complexity of phishing techniques necessitates the development of advanced detection systems capable of identifying both known and novel threats effectively.
To address this challenge, the authors propose a hybrid phishing URL detection system known as the Logistic-SVC-Decision Tree Voting Model (LSD-VM), which is evaluated on a dataset comprising over 11,000 phishing and legitimate URLs. The system integrates various machine learning classifiers, including Logistic Regression and Support Vector Classifiers, to enhance detection accuracy. Additionally, the paper emphasizes the importance of host-based and domain intelligence features, such as domain age and WHOIS registration data, which provide contextual insights that improve the differentiation between legitimate and malicious domains. The architecture of the Adaptive Deep URL Intelligence Network is also discussed, detailing how it processes optimized feature vectors through multiple hidden layers to capture complex phishing patterns and enhance detection resilience against obfuscation techniques.
Methods
In the section titled “Methods,” the authors detail the experimental setup and evaluation methodology employed in their study. The experimental design includes specific parameters and conditions under which the experiments were conducted, ensuring reproducibility and reliability of results. The setup is described in terms of the equipment used, the configuration of the experimental environment, and the protocols followed during the experimentation.
The evaluation methodology outlines the metrics and criteria used to assess the outcomes of the experiments. This includes statistical analyses and validation techniques to ensure the robustness of the findings. The authors emphasize the importance of these methods in drawing meaningful conclusions from the data collected, thereby enhancing the credibility of the research outcomes. Overall, this section provides a comprehensive overview of the methodological framework that underpins the study’s findings.
Results
The results of the study demonstrate that the ADUIN model consistently outperforms basic methodologies across various assessment metrics, particularly in the detection of zero-day phishing URLs. The experimental findings underscore the significance of adaptive learning and the optimization of feature selection in enhancing model performance. Overall, the results indicate that the ADUIN framework is robust and applicable in real-world scenarios, validating its effectiveness in combating phishing threats.
Discussion
The discussion section of the paper highlights the evolving landscape of phishing attacks, which have become increasingly sophisticated, targeted, and automated. Traditional detection methods, such as blacklists and filters, struggle against advanced tactics like URL obfuscation and dynamic domain creation. The proliferation of mobile, social, and cloud computing has further accelerated phishing activities, necessitating real-time detection systems that can adapt to new patterns and behaviors. The proposed Adaptive Deep URL Intelligence Network (ADUIN) aims to address these challenges by employing multi-dimensional feature extraction and deep learning techniques to enhance detection accuracy and resilience against obfuscation.
The motivation behind ADUIN lies in the inadequacies of existing phishing detection methods, which often rely on static features and struggle with zero-day attacks. By leveraging deep learning, ADUIN can automatically extract complex feature representations from URLs, improving generalization and adaptability to evolving threats. The framework integrates optimized feature selection with deep learning to create a robust and scalable phishing detection system suitable for real-time applications. Experimental results demonstrate that ADUIN outperforms current methods in terms of accuracy, precision, and recall, highlighting its potential as a significant advancement in phishing detection technology.
Limitations
The section on limitations highlights the shortcomings of conventional URL-based phishing detection techniques, which primarily rely on manual methods, blacklists, and signature rules. While effective against known phishing patterns, these approaches fail to address zero-day attacks, as they require frequent updates and often do not capture the complex, multidimensional nature of modern phishing URLs. Traditional machine learning models exhibit limited scalability and high false-positive rates due to their reliance on fixed feature distributions, which can misclassify benign URLs as threats, ultimately undermining user trust and system efficacy.
The authors propose that future research should focus on developing dynamic and intelligent detection methods capable of adapting to evolving phishing trends. They suggest leveraging lightweight architectures and model compression to enhance the practicality of deep neural networks, which currently demand significant computational resources. Additionally, incorporating multimodal data—such as website content, visuals, and email context—could improve detection accuracy. The section emphasizes the potential of real-time security systems that analyze streaming data and adapt to new phishing behaviors, advocating for an adaptive learning mechanism that outperforms traditional and existing deep learning models in zero-day URL detection.