arXiv cs.AI· Lohith Srikanth Pentapalli, Jon Salisbury, Josette Riep, Kelly Cohen·· 11 小时前AI 评分20
基于梯度优化的 TSK 模糊框架：可解释钓鱼检测
A Gradient-Optimized TSK Fuzzy Framework for Explainable Phishing Detection
AI 导读
研究者提出基于一阶 Takagi-Sugeno-Kang（TSK）模糊推理模型的钓鱼 URL 检测系统，用 Adam 优化器进行梯度参数调优。在超过 235,000 条 URL 的数据集上，5 折交叉验证平均准确率达 99.95%，AUC 为 1.00。优化后的模糊规则与隶属函数可清晰展示模型决策过程，兼顾高精度与可解释性。
正文 · AI 翻译
摘要：网络钓鱼攻击对个人和组织构成日益复杂且普遍的威胁，造成重大经济损失、身份盗用以及对机构声誉的严重损害。现有的钓鱼检测方法往往难以同时实现高准确率和可解释性，要么无法检测新型攻击，要么作为不透明的黑箱模型运行。为弥补这一关键空白，我们提出了一种基于一阶 Takagi-Sugeno-Kang（TSK）模糊推理模型的新型钓鱼 URL 检测系统，该模型通过基于梯度的技术进行优化。我们的方法智能地结合了模糊逻辑的可解释性和类人推理能力与梯度优化方法提供的精确性和适应性，特别是利用 Adam 优化器进行高效的参数调优。使用包含超过 235,000 个 URL 的综合数据集进行的实验表明，该方法收敛迅速，预测性能卓越（在 5 折交叉验证中平均准确率达 99.95%，AUC 达到完美的 1.00）。此外，优化后的模糊规则和隶属函数提高了互操作性，清晰地表明了模型如何做出决策——这是网络安全应用的一项基本特性。这一高性能、透明且可解释的钓鱼检测框架显著推进了当前的网络安全防御，为从业者提供了准确且可解释的决策工具。
| 评论： | 14 页，5 幅图。v2：修正了公式 (4) 中的一处笔误 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算机科学中的逻辑（cs.LO） |
| 引用为： | arXiv:2504.18636 [cs.CR] |
| （或 arXiv:2504.18636v2 [cs.CR] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2504.18636 arXiv 颁发的 DOI（通过 DataCite） |
提交历史
来自：Lohith Srikanth Pentapalli [查看电子邮件]
[v1]
2025 年 4 月 25 日星期五 18:31:05 UTC（714 KB）
[v2]
2026 年 10 月 16 日星期五 00:23:39 UTC（584 KB）
来源：arXiv cs.AI · arxiv.org