В статье рассматривается подход к обнаружению фишинговых писем с использованием методов машинного обучения. Основное внимание уделяется построению и сравнению моделей классификации, таких как логистическая регрессия, случайный лес и градиентный бустинг. Основное внимание уделяется тому, каким образом модели машинного обучения могут быть встроены на различные уровни системы безопасности – от сетевых протоколов до приложений и систем хранения данных. Предложен метод предобработки текстовых данных, включающий извлечение ключевых признаков. Проанализированы основные меры защиты от почтового фишинга и методы отбора признаков для повышения точности моделей на основе методов фильтрации, методов обертки

и методов вложения. В статье сформулированы требования к разработке антифишинговой системы, включая учет языковых особенностей текста Разработан прототип программного обеспечения, предполагающего внедрение комплексного гибридного подхода к анализу содержимого на основе алгоритмов машинного обучения. Программное обеспечение позволяет гибко формировать стратегию поведения пользователя в случае преднамеренной фишинговой атаки.

1.??Гущина А.А., Пчелинцева Н.В., Шацкий В.А. Применение искусственного интеллекта в обеспечении безопасности данных // Инженерное обеспечение инновационных технологий в АПК: материалы Международной научно-практической конференции, 26–28 октября 2021 года. – Мичуринск, 2021. – С. 79–81. – EDN NJVTOM.

2.??Корнюхина С.П., Лапонина О.Р. Исследование возможностей алгоритмов глубокого обучения для защиты от фишинговых атак // International Journal of Open Information Technologies. – 2023. – Т. 11, № 6. – С. 163–174. – EDN JHFVLY.

3.??Шульгин С.Г. Отбор переменных для анализа и прогнозирования нестабильности с помощью моделей градиентного бустинга // Системный мониторинг глобальных и региональных рисков: ежегодник. Т. 9. Социально-политическая и экономическая дестабилизация: анализ страновых и региональных ситуаций в мир-системном аспекте. – Волгоград, 2018. – С. 115–153. – EDN JFUHQP.

4.??Konstantinov A.V. Deep gradient boosting for regression // Computing,

Telecommunications and Control. – 2021. – Vol. 14 (3). – P. 7–19. – DOI: 10.18721/

JCSTCS.14301. – EDN CZBFQN.

5.??Астраханцева И.А., Герасимов А.С. Прогнозирование региональной инфляции на основе гибридной модели машинного обучения: градиентный бустинг и случайный лес // Научные труды Вольного экономического общества России. – 2023. – Т. 243, № 5. – С. 200–226. – DOI: 10.38197/2072-2060-2023-243-5-200-226. – EDN JATZXG.

6.??Козлова Н.Ш., Довгаль В.А. Анализ применения искусственного интеллекта и машинного обучения в кибербезопасности // Вестник Адыгейского государственного университета. Серия: Естественно-математические и технические науки. – 2023. – № 3 (326). – С. 65–72. – DOI: 10.53598/2410-3225-2023-3-326-65-72. – EDN CYUKLH.

7.??Фадеева А.А., Сиякина В.В., Салахутдинов Э.Р. Применение искусственных нейронных сетей для анализа тональности текста // Социально-экономические и технические системы: исследование, проектирование, оптимизация. – 2020. – № 1 (84). – С. 164–171. – EDN RLMKMG.

8.??Торкунова Ю.В., Милованов Д.В. Оптимизация нейронных сетей: методы и их сравнение на примере интеллектуального анализа // International Journal of Advanced Studies. – 2023. – Т. 13, № 4. – С. 142–158. – DOI: 10.12731/

2227-930X-2023-13-4-142-158. – EDN SFIPKW.

9.??Яцино С.Л. Сравнение типов искусственных нейронных сетей для семантического анализа текста // Научное сообщество студентов XXI столетия. Технические науки: электронный сборник статей по материалам LXV студенческой Международной научно-практической конференции. Т. 5 (64). – Новосибирск, 2018. – С. 239–243. – EDN XOGGJF.

10.??Голубев А.А., Лукашевич Н.В. Исследование моделей нейронных сетей типа BERT для анализа тональности текстов на русском языке // Научно-техническая информация. Серия 2, Информационные процессы и системы. – 2021. – № 1. – С. 32–41. – DOI: 10.36535/0548-0027-2021-01-3. – EDN DQHLBO.

11.??Архипова А.Б., Нечаев Д.А. Технология формирования интегрированной антифишинговой системы в цифровом обществе // Вестник СибГУТИ. – 2023. – Т. 17, № 2. – С. 93–103. – DOI: 10.55648/1998-6920-2023-17-2-93-103.

12.??Архипова А.Б., Листаров Р.Е. Формирование методики безопасного программирования для разработки веб-приложений // Безопасность цифровых технологий. – 2023. – № 4 (111). – С. 64–81. – DOI: 10.17212/2782-2230-2023-4-64-81.

13.??Архипова А.Б., Нечаев Д.А. К вопросу построения модели фишинговой атаки на базе теории некооперативных игр // Первспектива-2021: материалы IX Всероссийской молодежной школы-семинара по проблемам информационной безопасности, Красноярск, 30 сентября – 3 октября 2021 г. – М., 2022. – С. 6–12.