基于双路特征提取和自适应融合的钓鱼网站检测OA

随着网络钓鱼攻击手段的不断演进,传统检测方法在特征提取、模型泛化能力等方面面临严峻挑战。针对这些问题,提出了一种基于双路特征提取与自适应融合的钓鱼网站检测模型(DPFEAT)。首先,构建了时序与空间双路特征提取机制,通过引入特征交互层增强整体特征的表征能力;其次,设计了自适应融合模块,用于实现多维特征的动态融合,从而有效提升模型对复杂攻击特征的捕获能力。在训练策略上,采用预热-余弦衰减和循环学习率调度机制,显著增强了训练过程的稳定性。同时,结合Focal Loss与Dice Loss构建组合损失函数,并引入动态权重平衡机制,有效缓解了类别不平衡与边界样本识别困难的问题。此外,还设计了可解释性分析框架,用于评估各模块对模型性能的贡献。实验结果表明,DPFEAT在准确率与受试者工作特征曲线下面积(AUC-ROC)值上分别达到95.41%和98.83%,显著优于现有方法。