Detect social engineering attacks: Phishing Email Detection Using Deep learning and transformers for Cybersecurity

dc.contributor.authorMERIR , Ishak Abdeldjebar
dc.contributor.authorBENBEKHOUCHE , Karim
dc.contributor.authorBERRHAIL , Fouaz Supervisor
dc.date.accessioned2026-11-16T12:36:39Z
dc.date.issued2026
dc.description.abstractPhishing emails continue to represent one of the most dangerous cybersecurity threats due to their increasing sophistication and ability to imitate legitimate communication. Traditional detection techniques based on keyword matching and handcrafted features of-ten struggle to identify modern phishing attacks. This thesis investigates the application of deep learning and transformer models for phishing email detection, with a particular focus on BERT architectures, in addition to exploring alternative solutions like hybrid models. Several machine learning and deep learning models were evaluated, including Naive Bayes, CNN, BiLSTM, BERT, and a hybrid architecture combining BERT con-textual embeddings with TF-IDF statistical features. The models were trained and tested on a carefully preprocessed and balanced dataset containing 20,000 email samples. The proposed methodology includes preprocessing, feature representation using Word2Vec, and GloVe. Furthermore, the notion of attention mechanism was explored from imple-mentation to effect on model performance. For evaluation, metrics such as accuracy, precision, recall, and F1-score were used. As a result, the proposed BERT + TF-IDF hy-brid model produced the best overall results, achieving 99.25% accuracy and an F1-score of 99.07%, confirming that combining contextual semantic understanding with statistical keyword representation provides a more robust phishing detection mechanism. The find-ings also highlight the importance of high-quality preprocessing and feature engineering in improving model performance, and the fundamental role that attention provides in enhancing results across the board.
dc.description.sponsorshipLes courriels d’hameçonnage représentent toujours l’une des menaces les plus dan-gereuses en matière de cybersécurité, en raison de leur sophistication croissante et de leur capacité à imiter les communications légitimes. Les techniques de détection tradi-tionnelles, basées sur la correspondance de mots-clés et l’utilisation de caractéristiques extraites manuellement, peinent à identifier les attaques d’hameçonnage modernes. Cette thèse étudie la détection des courriels d’hameçonnage à l’aide de modèles de type Trans-former, en se concentrant particulièrement sur les architectures BERT et l’apprentissage profond. Plusieurs modèles d’apprentissage profond ont été évalués, notamment CNN, BiLSTM, Naive Bayes, ainsi que des modèles hybrides qui combinent les plongements contextuels BERT avec les caractéristiques automatiques et statistiques (TF-IDF). Les modèles ont été entraînés et testés sur un ensemble de données soigneusement prétrai-té, contenant environ 20 000 exemples de courriels équilibrés. La méthodologie proposée comprend le prétraitement, la représentation des caractéristiques à l’aide de Word2Vec, GloVe et BERT. De plus, la notion de mécanisme d’attention a été explorée pour son im-pact sur la mise en œuvre. Pour l’évaluation des performances du modèle, des métriques telles que l’exactitude, la précision, le rappel et le F1-score ont été utilisées. En consé-quence, le modèle hybride BERT + TF-IDF a produit les meilleurs résultats globaux, atteignant une précision de 99,25 % et un F1-score de 99,07 %, confirmant ainsi que la combinaison d’une compréhension sémantique contextuelle et d’une représentation statis-tique des mots-clés offre un mécanisme de détection plus robuste. Les résultats soulignent également l’importance d’un prétraitement de haute qualité et de l’ingénierie des carac-téristiques pour améliorer les performances du phishing, ainsi que le rôle fondamental de l’attention dans l’amélioration globale des résultats
dc.identifier.otherMAI/1158
dc.identifier.urihttps://repository.univ-setif.dz/handle/123456789/4286
dc.language.isoen
dc.publisherUnuversity Setif 1 Ferhat Abbas . Faculty of Sciences
dc.subjectPhishing attacks
dc.subjectPhishing email detection
dc.subjectSocial engineering
dc.subjectCyberse-curity
dc.subjectDeep learning
dc.subjecttransformers
dc.subjectArtificial intelligence
dc.titleDetect social engineering attacks: Phishing Email Detection Using Deep learning and transformers for Cybersecurity
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
MAI1158.pdf
Size:
414.65 KB
Format:
Adobe Portable Document Format

License bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description: