Machine Learning Methods for Phishing Attacks: Survey

Mirat Medelbekov, Marat Nurtas

2023

DOI 10.1109/sist58284.2023.10223537

Достоверность данных 85 высокая

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

The basis of cybersecurity is an understanding of the mechanisms of social engineering. This increases the effectiveness in combating this type of manipulation. One of them is phishing. Phishing attacks actively exploit the human factor to collect credentials or distribute malware. Machine learning has been successfully used to detect and prevent phishing. The purpose of this study is to review machine learning methods and the results of previous studies to prevent phishing attacks. Further studies will be planned based on this work.