Reconnaissance des URL malveillantes à l'aide de l'apprentissage automatique

L'augmentation des activités en ligne a accru le risque de cyberattaques, le phishing émergeant comme une menace particulièrement répandue. Les méthodes conventionnelles de détection du phishing, telles que les listes noires et l'analyse heuristique, sont insuffisantes pour identifier les schémas de phishing nouveaux et complexes. Pour remédier à ce problème, nous proposons une solution basée sur l'apprentissage automatique pour détecter les sites web de phishing. Notre modèle utilise une combinaison de caractéristiques—telles que la structure de l'URL, les attributs de domaine et les caractéristiques du contenu—pour classer les sites comme étant soit de phishing, soit légitimes. L'excellente précision globale du modèle de 96,9 % souligne la nécessité d'évaluer à la fois la précision et le rappel lors de la détermination de l'efficacité des modèles d'apprentissage automatique. Les résultats de cette étude sont significatifs pour le développement de modèles de classification d'URL robustes et l'avancement du domaine de la cybersécurité. Les recherches futures pourraient viser à améliorer les performances du modèle en intégrant davantage de caractéristiques, en développant des systèmes de détection de phishing en temps réel et en explorant de nouveaux attributs pouvant être dérivés des URL. Mots-clés : Phishing, URL, Apprentissage Automatique, Classification, Détection