Geri Dön

Machine learning approach for phishing url detection

Phishing url tespiti için makine öğrenimi yaklaşımı

PDF İndir

  1. Tez No: 1005257
  2. Yazar: BARAAH SAEED
  3. Danışmanlar: YRD. DOÇ. DR. HAMZA ABUNIMA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Üsküdar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Siber güvenlik, özellikle insan zaaflarını hedef alan kimlik avı saldırılarına karşı çevrimiçi ortamların korunması açısından büyük önem taşımaktadır. Bu araştırma, kimlik avı URL'lerini tespit etme sorununu, özel olarak geliştirilen bir Tekrarlayan Sinir Ağı (RNN) modeli kullanarak ele almaktadır. Model, yaklaşık 80.000 URL içeren ve Kaggle ile PhishTank gibi kaynaklardan elde edilen bir veri kümesi kullanılarak geliştirilmiş ve eğitilmiştir. Veri kümesi; URL uzunluğu, alan adı bilgileri ve karakter desenleri gibi temel özellikleri içermektedir. Python programlama dili ve TensorFlow çerçevesi kullanılarak geliştirilen RNN mimarisi, her biri 128 birimden oluşan 3 ana katmana ve aşırı öğrenmeyi (overfitting) önlemek için yardımcı bir katmana sahiptir. Model, kimlik avı URL'lerini tespit etmede yaklaşık %90 doğruluk oranına ulaşmış; ayrıca kesinlik (precision), duyarlılık (recall), F1 skoru ve karışıklık matrisi (confusion matrix) analizlerinde de güçlü sonuçlar elde etmiştir. Model, İngilizce olmayan karakterler ve alışılmadık URL yapıları gibi özel durumlara karşı da titizlikle test edilmiş ve çeşitli kimlik avı girişimlerini ele almadaki sağlamlığını (robustness) ortaya koymuştur. Lojistik regresyon ve destek vektör makineleri gibi geleneksel makine öğrenimi modelleriyle yapılan karşılaştırmalı analizler, tekrarlayan sinir ağının doğruluk ve genelleme yeteneği açısından bu modelleri geride bıraktığını göstermiştir. Ek olarak, gerçek dünya testleri ve kullanıcı geri bildirimleri, modelin pratikte kullanılabilirliğini ve kimlik avı tehditlerini tespit etmedeki etkinliğini doğrulamıştır. Bu araştırma, yüksek tespit doğruluğu sunan ve mevcut siber güvenlik sistemlerine entegre edilebilecek şekilde ölçeklenebilirlik ve uyarlanabilirlik gösteren RNN tabanlı bir çözüm ortaya koyarak alana önemli bir katkı sağlamaktadır. Modelin, çeşitli kimlik avı senaryolarında genelleme yapabilme yeteneği, gerçek zamanlı kimlik avı tespitini geliştirme ve ortaya çıkan çevrimiçi tehditlerle etkili bir şekilde mücadele etme potansiyelini vurgulamaktadır.

Özet (Çeviri)

Cybersecurity is essential to protect online environments from increasingly sophisticated threats, especially phishing attacks that exploit human vulnerabilities. This research focuses on addressing the challenge of detecting phishing URLs using a custom Recurrent Neural Network (RNN) model.The model was developed and trained using a dataset of around 80,000 URLs obtained from Kaggle, and phish tank which contains key features such as URL length, domain information, and character patterns. Using the Python programming language and the TensorFlow framework, the RNN architecture consists of 3 main layers with 128 units each, plus a helper layer to prevent overfitting. The model achieved an impressive accuracy of around 90% in detecting phishing URLs, as well as strong results in precision, recall, F1 score, and confusion matrix analysis.The model was rigorously evaluated against special cases, such as nonEnglish characters and unusual URL structures, demonstrating its robustness in handling diverse phishing attempts. Comparative analysis with traditional machine learning models, including logistic regression and support vector machines, showed that the recurrent neural network outperformed these models in terms of accuracy and generalization. In addition, real-world tests and user feedback confirmed the practical usability and effectiveness of the model in detecting phishing threats.This research contributes to this field by demonstrating a recurrent neural network-based solution that not only provides high detection accuracy, but also demonstrates scalability and adaptability for integration into existing cybersecurity systems. The ability to generalize across diverse phishing scenarios underscores the potential of this model to enhance real-time phishing detection and effectively combat emerging online threats.

Benzer Tezler

  1. Tez No

    733458

    Sahte internet sitelerinin URL özellikleri temelinde tespit edilmesi amacıyla özellik seçme metotlarının ve öğrenme algoritmalarının analizi

    Analysis of feature selection methods and learning algorithms for phishing websites detection based on URL

    MUSTAFA AYDIN

    Doktora

    Türkçe

    Türkçe

    2022

    Bankacılıkİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    PROF. DR. SEVİNÇ GÜLSEÇEN

    PROF. DR. KUTLUK KAĞAN SÜMER

  2. Tez No

    655610

    Sözcüksel analiz kullanarak kötü niyetli URL'leri derin öğrenme teknikleri ile tespit etme

    Detecting malicious URL's using lexical analysis with deep learning techniques

    CEMİLE SARICAOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET DEMİRCİ

  3. Tez No

    849067

    A novel two phased approach combining deep learning and machinelearning classifiers for effective detection of turkish phishing web sites

    Türkçe kimlik avı web sitelerinin etkin tespiti için derin öğrenme ve makine öğrenmesi sınıflandırıcılarını birleştiren yeni, iki aşamalı bir yaklaşım

    İHSAN DENİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi

    Siber Güvenlik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÇAĞATAY NEFTALİ TÜLÜ

  4. Tez No

    866761

    Detection of phishing web pages by combining semantical and visual information

    Kimlik avcısı web sayfalarının anlamsal ve görsel bilgiyle tespiti

    AHMAD HANI ABDALLA ALMAKHAMREH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET SELMAN BOZKIR

  5. Tez No

    859494

    Enhancing cybersecurity: A machine learning-driven filter method for detecting phishing and malicious urls in online environments

    Cyber güvenliğini geliştirmek: Online ortamlarda fişleme ve kötücül url'leri tespit etmek için makine öğrenmesi tabanlı bir filtre yöntemi

    SYED MUHAMMAD IFTIKHAR MEHDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ASLI BAY

Geri Dön