АВТОМАТИЗОВАНЕ ВИЯВЛЕННЯ ПОТЕНЦІЙНО НЕБЕЗПЕЧНИХ URL-АДРЕС З ВИКОРИСТАННЯМ БІБЛІОТЕКИ SCIKIT-LEARN
DOI:
https://doi.org/10.34185/1991-7848.itmm.2024.01.067Ключові слова:
небезпечні URL-адреси, фішинг, scikit-learn, машинне навчання.Анотація
Розглянуто методологію автоматизованого виявлення потенційно небезпечних URL-адрес за допомогою бібліотеки scikit-learn. Запропонована методологія включає підготовку даних, генерацію ознак та оцінку моделі на основі алгоритму випадкового лісу для класифікації URL-адрес на фішингові та бещпечні. Реалізація методології здійснюється з використанням мови програмування Python та бібліотеки scikit-learn. Результати експериментів показують ефективність моделі у виявленні потенційно небезпечних URL-адрес, що може відігравати важливу роль у захисті користувачів від шахрайства та інших онлайн-загроз.
Посилання
INC., Webroot Threat Report. ¶[Електронний ресурс] – Режим доступу до ресурсу: https : / / www - cdn . webroot . com.
Sheng, Steve, Brad Wardman, Gary Warner, Lorrie Faith Cranor, Jason I. Hong and Chengshan Zhang. “An Empirical Analysis of Phishing Blacklists.” International Conference on Email and Anti-Spam, 2009.
J. H. Ateeq and M. Moreb, “Detecting malicious URL using neural network”, in Proc. Int. Congr. Adv. Technol. Eng. (ICOTEN), Jul. 2021, pp. 1–8.
M. E. H. V. S. Aalla and N. R. Dumpala, “Malicious URL prediction using machine learning techniques”, Ann. Romanian Soc. Cell Biol., vol. 25, no. 5, pp. 2170–2176, 2021.
Y. Pingle, S. N. Bhatkar, and S. Patil, “Detection of malicioius content using AI”, in Proc. 7th Int. Conf. Computing Sustain. Global Develop., 2020, pp. 1–6.
