Um modelo híbrido empilhado bidirecional de memória de longo e curto prazo e Representações Codificadoras Bidirecionais de Transformadores para detecção aprimorada de e-mails de phishing

Os ataques de phishing têm sido uma das mais recentes ameaças à cibersegurança, pois exploram as fraquezas das pessoas e comprometem informações críticas. As metodologias tradicionais de detecção de phishing baseadas em aprendizado de máquina têm sido, em geral, malsucedidas em oferecer alto desempenho devido à generalização limitada e taxas de falsos positivos muito elevadas. Neste artigo, um novo modelo híbrido de aprendizado profundo é proposto, que incorpora a Representação de Codificação Bidirecional de Transformadores (BERT) com Memória de Longo e Curto Prazo Bidirecional (BLSTM) para aumentar a detecção de e-mails suspeitos dentro do framework do modelo proposto. O modelo utiliza a compreensão contextual dos textos do BERT e o aprendizado sequencial do BLSTM para aumentar a precisão da classificação. Resultados experimentais usando um conjunto de dados disponível de e-mails de phishing mostram que a abordagem proposta supera significativamente os modelos de referência nas métricas de F1-score, recall e precisão. Esses resultados destacam as vantagens de combinar a incorporação baseada em transformadores e arquiteturas recorrentes na detecção de phishing, fornecendo caminhos para um framework mais robusto para aprimoramento da segurança de e-mails.