13、基于计算机视觉的网络钓鱼检测研究

最新推荐文章于 2025-11-29 23:53:25 发布
最新推荐文章于 2025-11-29 23:53:25 发布
阅读量43 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 智能交通与通信前沿 文章标签： 计算机视觉 网络钓鱼检测 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/spark7igniter/article/details/152160180

基于计算机视觉的网络钓鱼检测研究

1. 背景与问题提出

网络钓鱼攻击如今已成为网络世界日益严峻的威胁。尽管反钓鱼者不断提出解决方案来保护用户，但钓鱼者总能突破安全防线，诱使用户访问钓鱼网站。因此，有必要探索利用计算机视觉技术的深度学习方法，为网络用户提供额外的安全保障。

2. 数据集介绍

本次研究使用的数据集是由相关人员生成的 Phish - IRIS 数据集，该数据集已公开，可用于后续研究。它是一个标记好的数据集，包含 2852 个网站截图，涵盖了 14 个常被仿冒的品牌的钓鱼网页截图，以及一个包含合法网页截图的文件夹，属于多类别数据集（共 14 + 1 个类别）。数据收集时间为 2018 年 3 月至 5 月。

品牌名称 训练样本 测试样本
Adobe 43 27
Alibaba 50 26
Amazon 18 11
Apple 49 15
Bank of America
订阅专栏 解锁全文 会员秒杀 ¥9.9 重磅福利 超级会员免费看
基于YOLOv5的水下目标检测系统开发
YOLO
02-10 1148
YOLOv5是Ultralytics团队开发的一个高效目标检测框架，继承了YOLO系列的优势，同时进行了许多优化，提升了准确性和训练速度。高效性：能够在较低的硬件配置上实现实时推理。易用性：提供了良好的API支持，用户可以轻松调用进行模型训练与推理。高精度：在多个标准数据集上表现优异，能够处理多种不同类型的目标检测任务。对于水下目标检测任务，YOLOv5能够通过学习水下图像中的特征，自动识别出目标的类别和位置。本文介绍了如何基于YOLOv5实现一个水下目标检测系统。
基于计算机视觉的调制信号识别
AI大模型应用之禅
01-20 1334
调制信号识别，计算机视觉，深度学习，卷积神经网络，信号处理 1. 背景介绍 调制信号识别是通信领域的重要研究课题，其目的是从接收到的混杂信号中提取出原始信息信号。传统的调制信号识别方法主要依赖于信号处理技术，例如匹配滤波、相关分析等。然而，随着通信技术的快速发展，调制信号的复杂度不断
13、利用计算机视觉进行网络钓鱼检测
ppp33的博客
07-17 41
本研究提出了一种基于计算机视觉和深度学习的网络钓鱼检测方法，利用Phish-IRIS数据集中的网站截图，通过多种CNN架构结合迁移学习与表示学习进行特征提取和分类。实验表明，DenseNet201在图像大小为(512,512,3)并使用SVM分类器时表现最佳，真阳性率达90.8%，F1分数达90.6%，优于现有技术。研究验证了深度学习在网络钓鱼检测中的有效性，并为未来扩展数据集、探索新模型和优化性能提供了方向。
13、利用计算机视觉技术进行网络钓鱼检测
jj890的博客
07-23 36
本文探讨了利用计算机视觉与深度学习技术进行网络钓鱼检测的方法。研究基于公开的Phish-IRIS数据集，采用多种CNN架构（如DenseNet201、VGG、ResNet等）进行特征提取，并结合SMOTE、PCA降维与特征融合策略，构建多分类模型。实验结果表明，使用DenseNet201在图像尺寸(512,512,3)下提取特征并以SVM分类器训练的模型表现最优，召回率达90.8%，F1分数达90.9%，优于现有技术。文章还对比了不同方法的性能，并对未来改进方向进行了展望。
如何使用计算机视觉检测钓鱼攻击?
java_cjkl的博客
06-27 458
众所周知，ChatGPT和Bing Chat等工具会使用庞大的文本数据库，对用户的输入生成类似人类的响应。而计算机视觉虽然在概念上类似于GPT-4等大语言模型，但是它仅在大量的图像数据存储库中，使用到了相似的概念。同时，正如AI聊天机器人背后的大语言模型，能够通过使用深度学习，来理解上下文等因素那样，CV使用深度学习，来理解图像的相关上下文。因此，计算机视觉可以被描述为：具有“计算机速度”的人类视觉功能。
12、情感识别与网络钓鱼检测研究
ppp33的博客
07-16 31
本博客探讨了情感识别与网络钓鱼检测两个领域的研究进展。在情感识别方面，利用生理信号构建自定义深度学习模型，并通过LOSO交叉验证评估性能，发现神经网络在多数标注类型下表现最佳，但存在数据集规模小和特征组合影响准确率的局限性。在网络钓鱼检测方面，采用基于AI/ML的方法，结合CNN架构进行迁移学习与特征提取，实现高效检测，其中DenseNet201表现出色。研究还对比了不同检测机制的优劣，并提出了未来改进方向，如扩大数据集、优化特征提取与模型泛化能力。
12、基于内容的网络钓鱼检测深度评估
wdx012345的博客
11-14 25
本文对基于内容的网络钓鱼检测（CBD）方法进行了深度评估，涵盖其原理、局限性及改进措施。研究实现了适用于英文和日文网站的CBD系统，并通过大规模真实钓鱼网站样本进行测试，验证了该方法在多语言环境下的高检测率：英文网站真阳性率达96.4%，日文达99.7%。同时，深入分析了检测失败的原因，包括HTML解析错误、带音符字符处理不当、文本量少、缺乏独特词汇、登录页面不可索引等。针对这些问题，提出了多项系统改进方案，如优化HTML解析、关键词替换策略、利用页面标题补充关键词等。评估结果显示，结合正则表达式与Lynx
27、基于深度学习的标志钓鱼网站检测与攻击研究
f9g0h的博客
08-04 62
本文研究了基于深度学习的标志钓鱼网站检测方法及其面临的攻击威胁。文章提出了一种新型基于生成对抗扰动（GAP）的攻击方法，能够欺骗标志识别模型和真实用户。同时，文章引入了两种新的标志识别解决方案——ViT和Swin Transformer模型，并证明其性能与现有暹罗模型相当。通过实验和用户研究，验证了攻击的有效性和模型的脆弱性，进一步探讨了潜在对策和未来研究方向。
借力AI，助力网络钓鱼（邮件）检测
山石网科的博客
06-13 1698
利用浏览器的地址栏欺骗漏洞，钓鱼攻击者可以实现在真实的URL地址的情况下伪造任何想要伪造的网页内容，而同时，利用跨域脚本漏洞，实施跨域名或跨页面的网站内容修改，当用户访问URL时，控制用户访问的内容，控制返回一个钓鱼网页的内容。基于大数据的网络钓鱼（邮件）检测是具有里程碑意义的，新时代背景下，思路聚焦于对网络钓鱼（邮件）的特征提取，采用各种机器学习模型、深度学习模型（包括但不限于NLP、CV、推荐等不同领域的神经网络模型），对网络钓鱼（邮件）的文本内容特征、图像特征进行二分类建模和预测。
2008-2010
课题分离
11-29 30
3
FASFFhead
a1111111111ss的博客
11-29 247
2、统一分辨率：对不同的输入尺度，使用上下采样变的统一/如 ASFF-L0 对应 P3 尺度，将 P4、P5 上采样到 P3 的分辨率）。3、单阶段检测使用不同层级的特征去检测不同尺寸的目标，（低层→小目标、高层→大目标），1、再单阶段检测中，特征金字塔的不同层对应不同的尺度—（低层→小目标、高层→大目标）；1、层次对齐，特征金字塔的不同层级，先将其他层级的特征上下参，和当前层级额分辨率一致。2、空间加权融合，对齐后的三个尺度特征，学习三个空间权重，最后挨个加权融合。上下采样后空间对齐误差大。
农田植被目标检测数据标注与模型训练总结1
2503_92128136的博客
11-29 594
为确保标注质量与模型泛化能力，数据筛选遵循以下原则：优先选择彩色图像进行标注（黑白图像暂不纳入首期标注范围），剔除完全重复或画面模糊、目标不清晰的图像，最终筛选出 100-200 张有效图像作为首期标注数据集，满足模型初期训练的数据需求。标注过程中，需准确框选目标区域，保证标注边界与实际目标轮廓贴合，避免漏标、误标或重复标注，确保标注数据的准确性与有效性，为模型训练提供高质量的监督信号。本项目通过无人机农田图像标注与 YOLOv5 模型训练，实现了农田与植被的自动化分类识别，为精准农业提供了核心技术支撑。
计算机视觉·ZegFormer
最新发布
2301_80132162的博客
11-29 418
作者对于ZS3和GZS3的新定义方式，还是比较有意思简单来说就是把语义分割看成两个部分先对图像进行分块，例如RR表示多个区域，这些区域不重叠然后找到一种标签映射关系LL，用于将这些区域映射到标签集合。
2006-2007
课题分离
11-29 53
2
深度学习在计算机视觉中的最新进展
2402_84924563的博客
11-29 1227
计算机视觉技术近年来经历了从CNN到Transformer的架构革命，2023-2025年核心突破集中在三大方向：1）视觉Transformer在高效化和多尺度处理上的创新，如Swin V3通过分层窗口注意力将计算复杂度降至O(N)；2）扩散模型在生成质量和可控性上的突破，Stable Diffusion 4将图像生成时间缩短至2秒且精度提升20%；3）多任务基础模型的发展，如SAM-3实现零样本泛化分割。这些技术进步正推动计算机视觉从单一任务向通用智能演进，并在产业应用中展现出巨大潜力。
28.Python处理图像
redis数据库安装及启用
11-29 314
使用 Python 语言做开发，除了可以用 Pillow 来处理图像外，还可以使用更为强大的 OpenCV 库来完成图形图像的处理，OpenCV（OpenSourceComputerVision Library）是一个跨平台的计算机视觉库，可以用来开发实时图像处理、计算机视觉和模式识别程序。在我们的日常工作中，有很多繁琐乏味的任务其实都可以通过 Python 程序来处理，编程的目的就是让计算机帮助我们解决问题，减少重复乏味的劳动。
【matlabfilter例程】二维平面的雷达测角+测距目标跟踪，单个雷达，KF融合雷达和IMU数据。轨迹绘图、误差绘图输出。附代码下载链接
985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB
11-29 368
程序模拟了二维场景下单雷达对运动目标的跟踪过程，结合卡尔曼滤波（KF）实现轨迹融合估计。目标采用带加速度的非匀速模型，而KF使用匀速模型，以验证模型失配下的滤波补偿能力。雷达输出带噪声的距离和方位角测量，转换为直角坐标作为观测输入。程序对比了雷达观测、纯惯导推算和KF估计三种方法的性能，统计了平均误差、RMSE及滤波提升幅度。结果显示KF显著优于纯惯导，验证了其在噪声环境中的鲁棒性。输出包括轨迹对比图、误差曲线和统计柱状图，提供完整MATLAB代码
2014-2015
课题分离
11-29 57
5
鱼类识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-24 2228
鱼类识别系统，基于TensorFlow搭建卷积神经网络算法，通过收集了包括‘墨鱼’、‘多宝鱼’、‘带鱼’、‘石斑鱼’等在内的30种鱼类图像数据集进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
基于YoloV5的Python自动钓鱼辅助工具开发
**目标检测技术**：目标检测是计算机视觉领域的一个基础而重要的任务，旨在识别图像中的物体并标记它们的位置。目标检测算法能够给出图像中物体的类别和位置信息，通常以边界框（bounding box）的形式表示。 **...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值