Ein erklärbares Transformator-basiertes Modell zur Erkennung von Phishing-E-Mails: Ein Ansatz mit großen Sprachmodellen

Phishing-E-Mails sind eine ernsthafte Cyberbedrohung, die versucht, Benutzer zu täuschen, indem sie falsche E-Mails senden, um vertrauliche Informationen zu stehlen oder finanzielle Schäden zu verursachen. Angreifer, die oft als vertrauenswürdige Einrichtungen auftreten, nutzen technologische Fortschritte und Raffinesse aus, um die Erkennung und Verhinderung von Phishing schwieriger zu gestalten. Trotz umfangreicher akademischer Forschung bleibt die Phishing-Erkennung eine anhaltende und formidable Herausforderung in der Cybersicherheitslandschaft. Große Sprachmodelle (LLMs) und maskierte Sprachmodelle (MLMs) besitzen ein enormes Potenzial, innovative Lösungen für langjährige Herausforderungen anzubieten. In diesem Forschungspapier präsentieren wir ein optimiertes, feinabgestimmtes, transformatorbasiertes DistilBERT-Modell, das für die Erkennung von Phishing-E-Mails konzipiert wurde. Im Erkennungsprozess arbeiten wir mit einem Datensatz von Phishing-E-Mails und nutzen Vorverarbeitungstechniken, um die Probleme mit unausgeglichenen Klassen zu beheben. Durch unsere Experimente haben wir festgestellt, dass unser Modell eine hohe Genauigkeit erreicht, die seine Fähigkeit demonstriert, gut abzuschneiden. Schließlich zeigen wir unser feinabgestimmtes Modell mithilfe von erklärbaren KI-Techniken (XAI) wie lokal interpretierbaren modellagnostischen Erklärungen (LIME) und Transformatorinterpreter, um zu erklären, wie unser Modell Vorhersagen im Kontext der Textklassifizierung für Phishing-E-Mails trifft.