Безопасность цифровых технологий

БЕЗОПАСНОСТЬ ЦИФРОВЫХ ТЕХНОЛОГИЙ

БЕЗОПАСНОСТЬ
ЦИФРОВЫХ ТЕХНОЛОГИЙ

English | Русский

Последний выпуск
№3(122) Июль - Сентябрь 2026

Распознавание фишинговых ссылок с использованием методов машинного обучения

Выпуск № 3 (114) Июль - Сентябрь 2024
Авторы:

Лукманова Карина Александровна ,
Kartak Vadim ,
DOI: http://dx.doi.org/10.17212/2782-2230-2024-3-9-20
Аннотация

В последние годы фишинг стал одной из наиболее распространенных и опасных кибер-угроз. Эти атаки направлены на получение конфиденциальной информации пользователей, такой как пароли и данные банковских карт, посредством обманных сообщений или веб-сайтов, что делает проблему защиты от них актуальной как никогда. Традиционные методы защиты от фишинга, такие как черные списки и эвристический анализ, уже не справляются с темпами эволюции фишинговых атак. В связи с этим возникает необходимость в разработке более современных и интеллектуальных методов, среди которых особое место занимают методы машинного обучения. В настоящей статье рассматриваются различные методы машинного обучения, применяемые для автоматического выявления фишинговых URL. В работе представлены основные подходы, архитектуры моделей, преимущества и недостатки каждого метода, а также проведен сравнительный анализ их эффективности на реальных данных.


Ключевые слова: фишинг, машинное обучение, фишинговые URL, киберугрозы, глубокое обучение, сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), логистическая регрессия, градиентный бустинг, случайный лес, классификация, кибербезопасность, анализ сетевого трафика, анализ веб-страниц, вычислительная сложность
Лукманова Карина Александровна
Уфимский университет науки и технологий,
lukmanova.ka@gmail.com
Orcid: 0009-0003-3244-0211

Kartak Vadim
доктор физико-математических наук, доцент, Ufa University of Science and Technology,
kvmail@mail.ru
Orcid: 0000-0001-8167-8291

Список литературы

1.??Карпова Н.Е., Восканян И.И. Угроза социальной? инженерии и фишинга в современнои? информационнои? безопасности // Безопасность цифровых технологии?. – 2024. – № 2 (113). – С. 69–78. – DOI: 10.17212/2782-2230-2024-

2-69-78.



2.??Phishing Attack Trends Report – 4Q 2023 / APWG. Phishing Activity Trends Reports. – URL: https://apwg.org/trendsreports/ (accessed 28.08.2024).



3.??Hussein S.K., Wahaballah A., Alosaimi A. Detecting phishing websites using natural language processing // International Journal of Computer Engineering in Research Trends. – 2021. – Vol. 8 (12). – P. 220–227.



4.??Кутлыев Д.З., Шманина А.В. Использование алгоритмов машинного обучения для защиты от URL-фишинга // Мавлютовские чтения: XV Всероссийская молодежная научная конференция. – Уфа, 2021. – Т. 4. – С. 430–435.



5.??Classifying phishing URLs using recurrent neural networks / A.C. Bahnsen, I.D. Torroledo, J. Camacho, S. Villegas // 2017 APWG Symposium on Electronic Crime Research (eCrime). – IEEE, 2017. – DOI: 10.1109/ECRIME.2017.7945048.



6.??Machine learning based phishing detection from URLs / O.K. Sahingoz, E. Buber, O. Demir, B. Diri // Expert Systems with Applications. – 2019. – Vol. 117. – P. 345–357.



7.??Лукманова К.А., Картак В.М. Векторное представление слов в задаче анализа текстовых сообщений // Мавлютовские чтения: XIV Всероссийская молодежная научная конференция. – Уфа, 2020. – Т. 5, ч. 2. – Ст. 25.



8.??Артюшкина Е.С., Андирякова О.О., Тюрина Д.А. Использование методов машинного обучения при анализе сетевого трафика и вредоносного программного обеспечения // Индустриальная экономика. – 2023. – № 4. –

С. 12–15. – DOI: 10.47576/2949-1886_2023_4_12.



9.??Мухамадиева К.Б., Муминов Б.Б. Обзор методов обнаружения фишинговых атак на основе искусственного интеллекта // Вестник Донецкого национального университета. Серия Г: Технические науки. – 2021. – № 4. –

С. 37–45.



10.??Beyond blacklists: learning to detect malicious web sites from suspicious URLs / J. Ma, L.K. Saul, S. Savage, G.M. Voelker // KDD '09: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – ACM, 2009. – P. 1245–1254. – DOI: 10.1145/1557019.1557153.



11.??Dutta A.K. Detecting phishing websites using machine learning technique // PLoS ONE. – 2021. – Vol. 16 (10). – P. e0258361. – DOI: 10.1371/

journal.pone.0258361.

Просмотров аннотации: 985
Скачиваний полного текста: 1032
Просмотров интерактивной версии: 0
 

Обработка персональных данных

Мы используем сервис веб-аналитики Яндекс Метрика, который использует cookie.

Собранная при помощи cookie информация не может идентифицировать вас, однако может помочь нам улучшить работу нашего сайта. Вы можете отказаться от использования cookies, выбрав соответствующие настройки в браузере. Также Вы можете запретить сбор данных с помощью расширения для браузера «Блокировщик Яндекс Метрики». Используя этот сайт, вы соглашаетесь на обработку персональных данных.