МЕТОД ФОРМАЛІЗАЦІЇ БАГАТОВИМІРНОГО ЕТАЛОННОГО СУБДОВКІЛЛЯ ДЛЯ ВИЯВЛЕННЯ ФІШИНГОВИХ URL-АДРЕС

Анотація

У сучасному кіберпросторі фішингові атаки залишаються однією з найбільш небезпечних загроз
інформаційній безпеці, що обумовлено їх масштабованістю, низькою вартістю реалізації та високою
ефективністю впливу на користувачів. Використання фішингових URL-адрес як інструменту соціотехнічного
впливу зумовлює необхідність розробки формалізованих підходів до їх виявлення. Метою роботи є розробка
методу формалізації багатовимірного еталонного субдовкілля для виявлення фішингових URL-адрес на основі
формалізації їх характеристик у межах багатовимірного простору ознак. Для формування ознак використано
набір парамет-рів, зокрема Domain Age, Frequency of DNS Changes, Number of Subdomains, URL Length та
HTTPS/SSL. Запропонований метод базується на інтервальному представленні параметрів, використанні
лінгвістичних змінних та функцій належності, що дозволяє враховувати невизначеність і динамічність
характеристик фішингових ресурсів. Формалізація еталонного субдовкілля здійснюється через інтеграцію
зазначених параметрів. Результати дослідження демонструють, що запропонований підхід забезпечує перехід від
емпіричного аналізу ознак до формалізованого моделювання багатовимірного еталонного простору, придатного
для виявлення фішингових URL-адрес. Це створює основу для підвищення точності детекції кіберзагроз.
Отримані результати можуть бути використані для вдосконалення систем виявлення вторгнень та засобів захисту
інформації, орієнтованих на протидію соціотехнічним атакам у сучасному кіберпросторі.
Ключові слова: фішинг, детекція фішингу, URL-адреси, кібератаки, кіберзагрози, інформаційна безпека,
системи виявлення вторгнень, системи виявлення кібератак.

Перелік посилань
1. Safi, A., & Singh, S. (2023). A systematic literature review on phishing website detection techniques. Journal
of King Saud University – Computer and Information Sciences, 35, 590–611.
2. Zuraiq, A. A., & Alkasassbeh, M. (2019). Review: Phishing detection approaches. In 2nd International
Conference on New Trends in Computing Sciences (pp. 1–6). https://doi.org/10.1109/ICTCS.2019.8923069.
3. Yang, L., Zhang, J., Wang, X., Li, Z., Li, Z., & He, Y. (2021). An improved ELM-based and data preprocessing
integrated approach for phishing detection considering comprehensive features. Expert Systems with Applications, 165,
113863. https://doi.org/10.1016/j.eswa.2020.113863.
4. Jain, S., & Gupta, A. (2018). Phishing detection: Analysis of visual similarity approaches. Expert Systems with
Applications.
5. Sindhu, S., Patil, S. P., Sreevalsan, A., Rahman, F., & Saritha, A. N. (2020). Phishing detection using random
forest, SVM and neural network with backpropagation. In ICSTCEE (pp. 391–394).
https://doi.org/10.1109/ICSTCEE49637.2020.9277256.
6. Zhu, E., Ju, Y., Chen, Z., Liu, F., & Fang, X. (2020). DTOF-ANN: An artificial neural network phishing
detection model based on decision tree and optimal features. Applied Soft Computing, 95, 106505.
https://doi.org/10.1016/j.asoc.2020.106505.
7. Alkawaz, M. H., Steven, S. J., Hajamydeen, A. I., & Ramli, R. (2021). A comprehensive survey on identification
and analysis of phishing website based on machine learning methods. In IEEE ISCAIE (pp. 82–87).
https://doi.org/10.1109/ISCAIE51753.2021.9431794.
8. Basit, A., Zafar, M., Liu, X., Javed, A. R., Jalil, Z., & Kifayat, K. (2020). A comprehensive survey of AI-enabled
phishing attacks detection techniques. Telecommunication Systems, 76(1), 139–154. https://doi.org/10.1007/s11235-020-
00733-2.
9. Korchenko, O., Korchenko, A., Zybin, S., & Davydenko, K. (2025). An approach for classifying socio-technical
attacks. Radioelectronic and Computer Systems, 2025(2), 230–252. https://doi.org/10.32620/reks.2025.2.15.
10. Karim, A., Shahroz, M., Mustofa, K., Belhaouari, S. B., & Joga, S. R. K. (2023). Phishing detection system
through hybrid machine learning based on URL. IEEE Access, 11, 36805–36822.
11. Shahrivari, V., Darabi, M. M., & Izadi, M. (2020). Phishing detection using machine learning techniques.
arXiv:2009.11116. http://arxiv.org/abs/2009.11116.
12. Li, Y., Yang, Z., Chen, X., Yuan, H., & Liu, W. (2019). A stacking model using URL and HTML features for
phishing webpage detection. Future Generation Computer Systems, 94, 27–39.
https://doi.org/10.1016/j.future.2018.11.004.
13. Sahingoz, O. K., Buber, E., Demir, O., & Diri, B. (2019). Machine learning based phishing detection from
URLs. Expert Systems with Applications, 117, 345–357.
14. Marchal, S., Saari, K., Singh, N., & Asokan, N. (2016). Know your phish: Novel techniques for detecting
phishing sites and their targets. In IEEE CNS Conference.
15. Adebowale, M. A., Lwin, K. T., & Hossain, M. A. (2023). Intelligent phishing detection scheme using deep
learning algorithms. Journal of Enterprise Information Management, 36, 747–766.
16. Kocyigit, E., Korkmaz, M., Sahingoz, O. K., & Diri, B. (2024). Enhanced feature selection using genetic
algorithm for machine-learning-based phishing URL detection. Applied Sciences, 14(14), 6081.
https://doi.org/10.3390/app14146081.
17. Suleman, M. T., & Awan, S. M. (2019). Optimization of URL-based phishing websites detection through
genetic algorithms. Automation Control Computer Sciences, 53, 333–341.
18. Optimized URL feature selection based on genetic-algorithm-embedded deep learning for phishing website
detection. (2022). Electronics, 11(7), 1090. https://doi.org/10.3390/electronics11071090.
19. Naïve Bayes classifier with genetic algorithm for phishing website detection. (2024). Conference proceedings,
96–108.
20. Opara, C., Chen, Y., & Wei, B. (2024). Look before you leap: Detecting phishing web pages by exploiting raw
URL and HTML characteristics. Expert Systems with Applications, 236, 121183.
21. Modha, N., & Virani, S. (2016). Fuzzy logic for phishing website detection. International Journal of Computer
Science and Information Technologies, 7(5), 2221–2223.
22. Almseidin, M., Alkasassbeh, M., Alzubi, M., & Al-Sawwa, J. (2022). Cyber-phishing website detection using
fuzzy rule interpolation. Cryptography, 6(2), 24. https://doi.org/10.3390/cryptography6020024.
23. Montazer, G. A., & ArabYarmohammadi, S. (2015). Detection of phishing attacks in Iranian e-banking using
a fuzzy–rough hybrid system. Applied Soft Computing, 35, 482–492. https://doi.org/10.1016/j.asoc.2015.06.052.
24. Zabihimayvan, M., & Doran, D. (2019). Fuzzy rough set feature selection to enhance phishing attack detection.
In IEEE FUZZ-IEEE (pp. 1–6). https://doi.org/10.1109/FUZZ-IEEE.2019.8858882.
25. Hidayat, R., Yanto, I. T. R., Ramli, A. A., & Fudzee, M. F. M. (2021). Similarity measure fuzzy soft set for
phishing detection. International Journal of Advanced Intelligent Informatics, 7(1), 101–111.
https://doi.org/10.26555/ijain.v7i1.605.
26. Bu, S. J., & Cho, S. B. (2025). A transformer network calibrated with fuzzy logic for phishing URL detection.
Fuzzy Sets and Systems, 499, 109474. https://doi.org/10.1016/j.fss.2025.109474.
27. Корченко А. Метод формування еталонного субдовкілля для виявлення фішингових URL-адрес / А.
Корченко, Є. Іванченко, Ф. Сатибалдієва, Н. Жумангалієва, К. Давиденко // Захист інформації. 2023. №2. Т.25. С.
82-95.
28. Анна Корченко, Методи ідентифікації аномальних станів для систем виявлення вторгнень.
Монографія, Київ, ЦП «Компринт», 2019 361 с.