Трушников Евгений Александрович, магистрант
123423, г. Москва, ул. Народного Ополчения, 32
Evgenij A. Trushnikov, Graduate student
32 Narodnogo Opolcheniya St., Moscow 123423
Цель. Целью исследования является анализ и практическая реализация функционала обнаружения фишинговых порталов посредством алгоритмов машинного обучения. Метод. Систематизация разрозненных сведений, анализ области, описание имеющихся наработок – основные методики, которые были применены в исследовании. Работа разбита на три больших подблока. В первом проводится анализ понятия машинного обучения, описываются основные способы верной интерпретации вводимых сведений, указываются наиболее ходовые методики, базы данных. Во второй части работы проводится анализ искусственных нейронных сетей. В частности, показываются их подвиды с описанием особенностей реализации, проводится сопоставление с живыми нейронами. В третьей части проводится практическая реализация двух методик и их сравнение, даются рекомендации относительно их использования при обнаружении фишинговых порталов. Результат. Проведено исследование методик анализа фишинговых порталов. Анализ показал, что наиболее рационально применять случайный лес, т.к. именно он обеспечивает качество по метрикам precession, recall, F1-score, 98% при значительном количестве введенных параметрических значений. Вывод. При реализации различных методологий поиска фишинговых порталов необходимо учитывать их снижение эффективности от вводимых параметров. Для этого важно проводить предварительные тесты. Однако результат тестов можно интерпретировать по-разному. В частности, эффективность методов может быть повышена, если ограничить количество вводимых параметров, но при этом жестко структурированных по одному критерию поиска.
Objective Analysis and practical implementation of the phishing portal detection functionality through machine learning algorithms. Method. Systematization of disparate information, analysis of the field, description of available developments are the main methods that were used in the study. The work is divided into three large sub-blocks. The first one analyzes the concept of machine learning, describes the main ways to correctly interpret the information entered, indicates the most popular techniques and databases. In the second part of the work, an analysis of artificial neural networks is carried out. In particular, their subspecies are shown with a description of the implementation features, and a comparison with living neurons is carried out. In the third part, the practical implementation of the two techniques and their comparison are carried out, recommendations are given regarding their use in detecting phishing portals. Result. The paper investigates the methods of analyzing phishing portals. The analysis showed that it is most rational to use a random forest, because it provides quality according to the precession, recall, F1-score, 98% metrics with a significant number of parametric values entered. Conclusions. When implementing various search methodologies for phishing portals, it is necessary to take into account their decrease in efficiency from the entered parameters. To do this, it is important to conduct preliminary tests. However, the test result can be interpreted in different ways. In particular, the effectiveness of the methods can be improved if you limit the number of input parameters, but at the same time rigidly structured according to one search criterion.
The authors declare that there are no conflicts of interest present.