摘要
随着人们日益广泛地使用移动消息服务，社交工程类攻击（如网络钓鱼）也呈蔓延趋势。由于垃圾短信是网络钓鱼攻击传播的主要途径之一，此类攻击常被用于窃取信用卡信息、密码等敏感数据。此外，在新冠疫情期间，社交媒体上广泛传播谣言及不准确的医疗信息，引发公众恐慌与困惑。因此，有效过滤垃圾信息内容对于降低安全风险至关重要。以往的研究多采用机器学习和深度学习方法进行垃圾信息分类，但这些方法存在两个主要局限：机器学习模型依赖人工特征工程，而深度神经网络则需要较高的计算成本。本文提出一种动态深度集成模型，用于垃圾信息检测，该模型能够自动调整复杂度并实现特征的自动提取。所提出的模型结合卷积层与池化层进行特征提取，并采用随机森林、极随机树等基分类器，将文本分类为垃圾信息或合法信息。同时，模型还引入集成学习技术，如提升法（boosting）与自助采样法（bagging）。实验结果表明，该模型在精确率、召回率、F1分数和准确率方面均达到98.38%的高水平，展现出优异的性能。