URLYZER: sistema de identificação de URLs maliciosas utilizando IA como suporte à tomada de decisão
Palavras-chave:
Phishing, Tomada de dcisão, Análise léxicaResumo
Neste trabalho é apresentado o URLYZER, um sistema para identificação de URLs maliciosas. Como a maioria dos recursos na Web é acessado via URL, a mesma pode ser modificada ou fraudada para uso indevido. Com isso, o URLYZER visa analisar a URL, a partir da extração das características léxicas, e utilizando um classificador Random Forest para determinar se uma determinada URL é benigna ou maligna. O classificador obteve resultados satisfatórios de acordo com os trabalhos relacionados, com uma acurácia de 86\%, 79\% de precisão, 98\% de revocação e 88\% em seu F1-score.
Downloads
Referências
(1) Ayres, L. D. G., Brito, I. V. S., Gomes, R. R., et al. (2019). Utilizando aprendizado de máquina para detecção automática de urls maliciosas brasileiras. In Anais Principais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 972–985. SBC.
(2) Bezzera, M. A. e Feitosa, E. (2015). Investigando o uso de características na detecção de urls maliciosas. In XV Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais, pages 100–113. SBC.
(3) Darling, M., Heileman, G., Gressel, G., Ashok, A., e Poornachandran, P. (2015). Alexical approach for classifying malicious urls. In 2015 International conference onhigh performance computing & simulation (HPCS), pages 195–202. IEEE.
(4) Feroz, M. N. e Mengel, S. (2015). Phishing url detection using url ranking. In 2015 IEEE International Congress on Big Data, pages 635–638. IEEE.
(5) Ma, J., Saul, L. K., Savage, S., e Voelker, G. M. (2009). Beyond blacklists: learning to detect malicious web sites from suspicious urls. In Proceedings of the 15th ACMSIGKDD International Conference on Knowledge Discovery and Data Mining, pages 1245–1254.
(6) Nguyen, H. H. e Nguyen, D. T. (2016). Machine learning based phishing web sites detection. In AETA 2015: Recent Advances in Electrical Engineering and Related Sciences, pages 123–131. Springer.
(7) Sahoo, D., Liu, C., e Hoi, S. C. (2017). Malicious url detection using machine learning: A survey. arXiv preprint arXiv:1701.07179.
(8) Vanhoenshoven, F., Napoles, G., Falcon, R., Vanhoof, K., e Koppen, M. (2016). Detecting malicious urls using machine learning techniques. In 2016 IEEE Symposium Series on Computational Intelligence (SSCI), pages 1–8. IEEE.
(9) Verma, R. e Das, A. (2017). What’s in a url: Fast feature extraction and malicious urldetection. In Proceedings of the 3rd ACM on International Workshop on Security andPrivacy Analytics, pages 55-63.
