Гибридный подход к обнаружению фишинговых писем на основе лингвистических и поведенческих характеристик
Article Sidebar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Main Article Content
Abstract
Фишинговые атаки остаются одной из наиболее распространённых и социально опасных угроз информационной безопасности, направленных на компрометацию конфиденциальных данных пользователей и организаций. Современные методы защиты электронной почты, основанные на сигнатурном анализе и статических правилах, демонстрируют ограниченную эффективность в условиях эволюции фишинговых техник и активного применения социальной инженерии. В статье рассматривается гибридный подход к обнаружению фишинговых электронных писем, сочетающий методы обработки естественного языка и анализ поведенческих и структурных признаков. Проведён обзор существующих подходов, систематизированы ключевые лингвистические и поведенческие характеристики фишинга, а также обоснована целесообразность их комплексного использования в интеллектуальных системах кибербезопасности.
Article Details
References
Verma, R., Shashidhar, N., & Hossain, M. (2018). Detecting phishing emails using natural language processing. Proceedings of the IEEE Conference on Communications and Network Security, 1–6.
Alsmadi, I., & Karpinski, M. (2019). Phishing detection using text analysis and machine learning. Journal of Information Security, 10(2), 120–135.
Sahingoz, O. K., Buber, E., Demir, O., & Diri, B. (2019). Machine learning based phishing detection from URLs. Expert Systems with Applications, 117, 345–357.
Jain, A. K., Gupta, B. B., & Kaur, J. (2019). A hybrid phishing detection system using machine learning and URL-based features. Journal of Computer Virology and Hacking Techniques, 15(3), 221–234.
Raff, E., Barker, J., Sylvester, J., Brandon, R., Catanzaro, B., & Nicholas, C. (2018). Malware detection by eating a whole EXE. Proceedings of the AAAI Conference on Artificial Intelligence, 32(1).
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT, 4171–4186.
Liu, T., & Stamm, M. C. (2020). Phishing website detection with semantic features and machine learning. IEEE Access, 8, 12345–12357.