Aprendizaje Automático y Aprendizaje Profundo para la Clasificación de Correos Electrónicos de Phishing utilizando Codificación One-Hot

La representación del texto es una tarea significativa en el Procesamiento del Lenguaje Natural (NLP) y en los últimos años el Aprendizaje Profundo (DL) y el Aprendizaje Automático (ML) se han utilizado ampliamente en diversas tareas de NLP como clasificación de temas, análisis de sentimientos y traducción de idiomas. Hasta hace muy poco, se ha dedicado poco trabajo al análisis semántico en la detección de phishing o detección de correos electrónicos de phishing. La novedad de este estudio radica en utilizar análisis semántico profundo para capturar características inherentes del cuerpo del texto. Se utilizó codificación one-hot con técnicas de DL y ML para clasificar correos electrónicos como de phishing o no phishing. Se realizó una comparación de varios parámetros y hiperparámetros para DL. Se presentaron los resultados de varios modelos de ML, Nave Bayes, SVM, Árbol de Decisión, así como modelos de DL, Redes Neuronales Convolucionales (CNN) y Memoria a Largo y Corto Plazo (LSTM). Los modelos de DL tuvieron un mejor desempeño que los modelos de ML en términos de precisión, pero los modelos de ML tuvieron un mejor desempeño que los de DL en términos de tiempo de computación. La CNN con Word Embedding tuvo el mejor desempeño en términos de precisión (96.34%), demostrando la efectividad del análisis semántico en la detección de correos electrónicos de phishing.