Detección de URLs maliciosas a través de un conjunto de técnicas de aprendizaje automático

Este documento tiene como objetivo clasificar URLs y páginas web en sitios legítimos y maliciosos para alertar a los usuarios y permitir una navegación más segura a través de internet. A través de este proceso, hemos encontrado varios puntos de interés y atributos que hacen evidente las características de estas fuentes maliciosas, permitiéndonos estar al tanto y prevenir cualquier daño que puedan causar. Estos atributos se relacionan con el registro del dominio de las URLs, el texto de la URL, la estructura de la página web y su contenido. La aplicación de modelos como BERT, LSTM, árboles de decisión y su amalgama como un conjunto resulta en una solución pragmática al problema en forma de un conjunto que proporciona una precisión del 95.3%. También utiliza conceptos como la reputación de la página web, enlaces internos y enlaces externos de una página web. El método de clasificación utilizado en este documento, donde se han combinado técnicas de procesamiento de lenguaje natural y modelos de aprendizaje automático con una gran variedad de características, no se ha implementado anteriormente. Concluimos el documento sugiriendo métodos de mejora para resolver el problema.