Abstract
Фишингтік веб-мекенжайлар (URL) қазіргі цифрлық ортадағы ең кең таралған киберқауіптердің бірі болып табылады. Онлайн әлеуметтік желілердің (ОӘЖ) және веб-платформалардың қарқынды дамуы пайдаланушылардың құпия деректерін ұрлауға, зиянды контентті таратуға және пайдаланушыларды жалған веб-сайттарға бағыттауға арналған фишингтік шабуылдардың кеңінен таралуына ықпал етті. WHOIS тіркеу деректеріне, DNS ақпаратына және қара тізімдерге негізделген дәстүрлі анықтау әдістері белгілі фишингтік домендерді анықтауда тиімді болғанымен, жаңадан пайда болған немесе жылдам өзгеретін фишингтік URL-дарды анықтауда олардың тиімділігі шектеулі. Сонымен қатар сыртқы сервистерге тәуелділік анықтау кідірісін арттырып, жүйенің масштабталуын шектейді. Зерттеуде URL-дардың лексикалық белгілеріне негізделген және нақты уақыт режимінде жұмыс істейтін фишингтік URL-дарды анықтау жүйесі ұсынылады. Машиналық оқытудың әртүрлі әдістерінің тиімділігін бағалау үшін символдық деңгейдегі TF-IDF векторизациясы Logistic Regression, Naive Bayes, Support Vector Machine (SVM), Random Forest және Extreme Gradient Boosting (XGBoost) классификаторларымен біріктірілді. Эксперименттер Kaggle платформасындағы ашық «Phishing and Legitimate URLs» деректер жиынтығында жүргізілді. Алдын ала өңдеуден кейін модельдерді оқыту және бағалау үшін 808 042 URL сақталды. URL-дар ұзындығы 3–5 символдан тұратын n-граммалар негізінде TF-IDF белгілер кеңістігіне түрлендірілді. Эксперимент нәтижелері SVM классификаторының ең жоғары нәтиже көрсеткенін көрсетті: Accuracy - 97,69%, Precision - 97,41%, Recall - 98,25%, F1-score - 97,83%, ROC-AUC - 99,66%. Бір URL-ды өңдеудің орташа уақыты шамамен 1,9 мс болды. Ұсынылған тәсіл сыртқы желілік сервистерге тәуелсіз жұмыс істей отырып, фишингтік URL-дарды жоғары дәлдікпен анықтайды. Алынған нәтижелер әдісті онлайн әлеуметтік желілерде, хабар алмасу платформаларында және корпоративтік киберқауіпсіздік жүйелерінде зиянды сілтемелерді автоматты түрде анықтау үшін қолдануға болатынын көрсетеді.