Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- Методы защиты от фишинговых атак с использованием машинного обучения
- Авторы
- Картак Вадим Михайлович kvmail@mail.ru, д-р физ.-мат. наук, профессор, заведующий кафедрой ВТиЗИ, Уфимский государственный авиационный технический университет, г. Уфа, Россия
Лукманова Карина Александровна lukmanova.ka@gmail.com, аспирантка кафедры ВТиЗИ, Уфимский университет науки и технологий, г. Уфа, Россия
- В разделе
- ТЕХНИЧЕСКАЯ ЗАЩИТА ИНФОРМАЦИИ. Доверенная среда
- Ключевые слова
- фишинг / машинное обучение / информационная безопасность / нейронные сети / Random Forest / обработка естественного языка / URL-анализ / кибербезопасность
- Год
- 2025 номер журнала 2 Страницы 42 - 46
- Индекс УДК
- 621.3.049.77
- Код EDN
- VVGEVY
- Код DOI
- 10.52190/2073-2600_2025_2_42
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Проанализированы современные подходы к защите от фишинга с использованием технологий машинного обучения (МО). Рассмотрены отечественные и зарубежные исследования, методы выявления фишинга, а также анализ сообщений, URL-адресов и пользовательского поведения. Подчёркивается важность комплексного подхода, включающего технические меры, архитектуру ИБ и обучение пользователей. Сравнивается эффективность моделей Random Forest, нейросетей и методов обработки естественного языка. Приведены результаты эксперимента по классификации URL и сделан вывод о перспективах мультидисциплинарного подхода.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Карпова Н. Е., Восканян И. И. Угроза социальной инженерии и фишинга в современной информационной безопасности. Безопасность цифровых технологий. 2024. V. 2 (113). P. 69-78. https://doi.org/10.17212/2782-2230-2024-2-69-78.
Phishing Attack Trends Report - 4Q 2023 / APWG. Phishing Activity Trends Reports. URL: https://apwg.org/trendsreports/ (accessed 08.06.2025).
Hussein S. K., Wahaballah A., Alosaimi A. Detecting phishing websites using natural language processing. International Journal of Computer Engineering in Research Trends. 2021. V. 8(12). P. 220-227. <https://doi.org/10.22362/ijcert/2021/> v8/i12/v8i1204.
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. https://doi.org/10.47576/2949-1886_2023_4_12.
Лукманова К. А., Картак В. М. Распознавание фишинговых ссылок с использованием методов машинного обучения. Безопасность цифровых технологий. 2024. № 3(114). С. 9-20. https://doi.org/10.17212/2782-2230-2024-3-9-20.
Bahnsen A. C., Torroledo I. D., Camacho J., Villegas S. Classifying phishing URLs using recurrent neural networks. 2017 APWG Symposium on Electronic Crime Research (eCrime). IEEE, 2017. https://doi.org/10.1109/ECRIME.2017. 7945048.
Sahingoz O. K., Buber E., Demir O., Diri B. Machine learning based phishing detection from URLs. Expert Systems with Applications. 2019. № 117. С. 345-357. https://doi.org/10.1016/ j.eswa.2018.09.029 <https://doi.org/10.1016/j.eswa.2018.09.029>.
Ma J., Saul L. K., Savage S., Voelker G. M. Beyond blacklists: learning to detect malicious web sites from suspicious URLs. KDD '09: Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM. 2009:1245-1254. <https://doi.org/10.1145/1557019.1557153>.
Кутлыев Д. З., Шманина А. В. Использование алгоритмов машинного обучения для защиты от URL-фишинга. Мавлютовские чтения: XV Всероссийская молодежная научная конференция. Уфа. 2021. № 4. С. 430-435.
Dutta A. K. Detecting phishing websites using machine learning technique. PLoS ONE. 2021. V. 16(10). P. e0258361. https://doi.org/10.1371/journal.pone.0258361.
- Купить
- 500.00 руб
