Key points are not available for this paper at this time.
Na era do mundo digital, as tentativas de phishing surgiram como um dos riscos cibernéticos mais penetrantes e enganosos. Os ataques de phishing representam uma ameaça significativa para os usuários da internet, visando informações sensíveis por meio de websites fraudulentos que imitam os legítimos. Cibercriminosos utilizam estratégias enganosas para induzir usuários desavisados a divulgar informações privadas, o que pode ter resultados desastrosos, incluindo roubo de identidade, perdas financeiras e comprometimento da segurança dos dados. Nosso sistema proposto utiliza técnicas de aprendizado de máquina que se tornaram cada vez mais populares como um método confiável para detectar websites de phishing como forma de abordar esse problema crescente com requisitos mínimos de sistema, onde os algoritmos de ML necessitam de recursos limitados em comparação com os algoritmos de aprendizado profundo. Para melhorar a identificação de websites de phishing, a acurácia e eficiência de vários algoritmos de aprendizado de máquina são avaliadas e comparadas por meio de tabelação. O modelo treinado é utilizado em conjunto com um website para classificar URLs como legítimas ou tentativas de phishing. Aproveitando técnicas de aprendizado de máquina, os sistemas de detecção de phishing melhoraram significativamente nos últimos anos, fornecendo resultados refinados e precisos. Como resultado desses avanços, tanto os usuários da internet quanto as organizações estão melhor protegidos contra ataques de phishing. Os usuários podem navegar na web com maior confiança, sabendo que websites maliciosos potenciais serão identificados e bloqueados de forma eficaz. O sistema proposto prevê URLs com uma acurácia aumentada de 13% em relação a todos os sistemas existentes que utilizam algoritmos de aprendizado de máquina para previsão de estado de URLs.
Pathan et al. (Thu,) estudaram essa questão.