الكشف عن مواقع التصيد باستخدام تكامل مبتكر بين BERT و XLNet مع نماذج التعلم العميق المتسلسلة

تشكل مواقع التصيد تهديدًا كبيرًا للأمان عبر الإنترنت، مما يستلزم وجود آليات كشف قوية لحماية معلومات المستخدمين الحساسة. يستكشف هذه الدراسة فعالية هياكل التعلم العميق المختلفة في كشف مواقع التصيد. في البداية، تحقق النماذج المتسلسلة التقليدية، بما في ذلك الشبكات العصبية المتكررة (RNN) ، والذاكرة القصيرة والطويلة الأمد (LSTM)، ووحدة إعادة التكرار المغلقة (GRU)، دقة تصل إلى 95% و 96% و 96.5%، على التوالي، على مجموعة بيانات مختارة. بناءً على هذه النتائج، تم التحقيق في الهياكل الهجينة التي تجمع بين مزايا النماذج المتسلسلة التقليدية ونماذج تمثيل اللغة الحديثة، تمثيلات المحولات الثنائية الاتجاه (BERT) و XLNet. تم تقييم تركيبات مثل RNN مع BERT، و BERT مع LSTM، و BERT مع GRU، و RNN مع XLNet، و XLNet مع LSTM و XLNet مع GRU. من خلال التجارب، تم تحقيق دقات قدرها 94.5% و 96.5% و 96.1% و 95.7% و 97.4% و 97%، على التوالي، مما يظهر فعالية الهياكل الهجينة للتعلم العميق في تحسين أداء كشف التصيد. تساهم هذه النتائج في تعزيز ممارسات الأمان السيبراني الحديثة وتؤكد على أهمية الاستفادة من أنواع النماذج المتنوعة لمكافحة التهديدات عبر الإنترنت بشكل فعال.