Détection de liens URL frauduleux cachés au sein de sites de confiance en utilisant des caractéristiques lexicales

Les menaces à la sécurité Internet impliquent souvent la modification frauduleuse d'un site web, souvent avec l'ajout de nouvelles pages à des URL où aucune page ne devrait exister. Détecter l'existence de telles URL cachées est très difficile car elles n'apparaissent pas lors de la navigation normale et ne sont généralement pas indexées par les moteurs de recherche. Plus important encore, les attaques drive-by menant les utilisateurs vers des URL cachées, par exemple pour le phishing de données d'identification, peuvent tromper même les utilisateurs technophiles, car ces URL cachées sont de plus en plus hébergées au sein de sites de confiance, rendant ainsi l'authentification HTTPS inefficace. Dans ce travail, nous proposons une approche pour détecter ces URL, basée uniquement sur leurs caractéristiques lexicales, ce qui permet d'alerter l'utilisateur avant de réellement récupérer la page. Nous évaluons notre proposition sur un ensemble de données composé de milliers d'URL, avec des résultats prometteurs.