A machine learning approach for detecting fast flux phishing hostnames

Nagunwa, Thomas; Kearney, Paul; Fouad, Shereen

doi:10.1016/j.jisa.2022.103125

Cited by 8 publications

(10 citation statements)

References 51 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The hybrid features provide accurate representations of emails by combining their content and textual traits. Additionally, [21] conducts a systematic literature survey comparing various phishing detection approaches, and [22] proposes a machine learning-based approach for detecting phishing websites using a novel set of features.…”

Section: Literature Reviewmentioning

confidence: 99%

A Machine Learning Model for Predicting Phishing Websites

Boussi,

Gupta,

Hossain

2023

Preprint

View full text Add to dashboard Cite

There are various types of cybercrime, and hackers often target specific ones for different reasons, such as financial gain, recognition, or even revenge. Cybercrimes can occur anywhere in the world, as the location of both the victim and the criminal is not a limiting factor. Different countries may have different common types of cybercrime, influenced by factors such as the country's economic situation, level of internet activity, and overall development. Phishing is a prevalent type of cybercrime in the financial sector, regardless of the country's circumstances. While the phishing techniques used in developed countries may differ from those in developing countries, the impact remains the same, resulting in financial losses. In our work, a dataset consisting of 48 features extracted from 5,000 phishing webpages and 5,000 legitimate webpages was used to predict whether a website is phishing or not, achieving an accuracy of 98%.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

A Machine Learning Model for Predicting Phishing Websites

Boussi,

Gupta,

Hossain

2023

Preprint

View full text Add to dashboard Cite

show abstract

“…Em [Nagunwa et al 2022], é proposta uma abordagem baseada em aprendizado de máquina para detecc ¸ão de sites de phishing hospedados em redes fast-flux. Ao todo foram utilizados 56 atributos cuja efetividade para previsão foi avaliada no contexto de classificac ¸ão binária e multi-classe.…”

Section: Código Descric ¸ãOunclassified

“…Atributos relacionados ao conteúdo HTML, texto da URL e informac ¸ões de servic ¸os externos foram selecionados de outros trabalhos de detecc ¸ão de phishing por heurísticas ou aprendizado de máquina como em [Rao and Pais 2019], [Shahrivari et al 2020] e [Zhang et al 2007]. Também foram selecionados atributos utilizados para detecc ¸ão de redes fast-flux como os utilizados em [Stalmans and Irwin 2011] e [Nagunwa et al 2022].…”

Section: Selec ¸ãO De Atributosunclassified

“…Os experimentos mostraram que os modelos obtiveram bons resultados se comparados com outros trabalhos que também utilizam aprendizado de máquina. Em [Nagunwa et al 2022], o melhor modelo obteve acurácia de 98.42% enquanto neste tra- balho a melhor acurácia atingida foi de 99,19%. A pontuac ¸ão F1 também foi similar com 0,99 em [Nagunwa et al 2022] contra 0,9919 obtidos no presente trabalho.…”

Section: Algoritmounclassified

“…Em [Nagunwa et al 2022], o melhor modelo obteve acurácia de 98.42% enquanto neste tra- balho a melhor acurácia atingida foi de 99,19%. A pontuac ¸ão F1 também foi similar com 0,99 em [Nagunwa et al 2022] contra 0,9919 obtidos no presente trabalho.…”

Section: Algoritmounclassified

See 2 more Smart Citations

Detecção de ataques de phishing em tempo real utilizando algoritmos de aprendizado de máquina

Souza,

Mascarenhas

2023

Anais Estendidos Do XXIII Simpósio Brasileiro De Segurança Da Informação E De Sistemas Computacionais (SBSeg Estendido 2023)

View full text Add to dashboard Cite

Phishing é um tipo de ataque cibernético de engenharia social que visa roubar informações de usuários. Com a pandemia de COVID-19 e popularização do modelo de trabalho remoto, o número de ataques cibernéticos aumentou, especialmente os de phishing. Embora diversas soluções anti-phishing existam, como blacklists e heurísticas, os ataques estão em constante adaptação. Este trabalho propõe um modelo baseado em aprendizado de máquina para detecção em tempo real de ataques de phishing com um enfoque no desempenho. Foram testados seis algoritmos dentre os quais o melhor resultado foi obtido pelo SVM com 99,19% de acurácia.

show abstract

PhiUSIIL: A diverse security profile empowered phishing URL detection framework based on similarity index and incremental learning

Prasad,

Chandra

2024

Computers & Security

View full text Add to dashboard Cite

A machine learning approach for detecting fast flux phishing hostnames

Cited by 8 publications

References 51 publications

A Machine Learning Model for Predicting Phishing Websites

A Machine Learning Model for Predicting Phishing Websites

Detecção de ataques de phishing em tempo real utilizando algoritmos de aprendizado de máquina

PhiUSIIL: A diverse security profile empowered phishing URL detection framework based on similarity index and incremental learning

Contact Info

Product

Resources

About