Detecção de phishingvia redes neurais ART auto-expansíveis

Gustavo Henrique Santiago da Silva, Reginaldo José da Silva, Angela Leite Moreno

Resumo


Nas  últimas décadas  as  aplicações cresceram  exponencialmente  devido  a  crescente  dependência do eletrônico.  Em consequência, o fluxo de informações na internet é alta, fornecendo oportunidades a criminosos de roubar informações confidenciais e/ou pessoais.  Esse ato  ́e chamado de ataque de Phishinge está se tornando um dos maiores problemas de segurança da internet [1]. [...]


Texto completo:

PDF

Referências


Abdelhamid, N.et al. Phishing detection based associative classification data mining,ExpertSystems with Applications, 41:5948–5959, 2014. DOI:10.1016/j.eswa.2014.03.019.

Ali, W. Phishing Website Detection based on Supervised Machine Learning with WrapperFeatures Selection,International Journal of Advanced Computer Science and Applications,8:72–78, 2017. DOI:10.14569/IJACSA.2017.080910.

Dua, D. and Karra, T. E.UCI Machine Learning Repository: University of California, Schoolof Information and Computer Science, 2017. Dispon ́ıvel em:.

Mohammad, R. M., Thabtah, F. and McCluskey, L. Predicting phishing websites basedon self-structuring neural network,Neural Computing and Applications, 25:443–458, 2014.DOI:10.1007/s00521-013-1490-z.

Saxe, J. and Berlin, K. eXpose: A Character-Level Convolutional Neural Network with Em-beddings For Detecting Malicious URLs, File Paths and Registry Keys.CoRR, 2017. Toappear.

Tahir, M. Amaadet al. Hybrid Model to DetectPhishing-Sites Using Supervised Learning Al-gorithms,International Conference on Computational Science and Computational Intelligence(CSCI), 1126–1133, 2016. DOI:10.1109/CSCI.2016.0214.


Apontamentos

  • Não há apontamentos.


SBMAC - Sociedade de Matemática Aplicada e Computacional
Edifício Medical Center - Rua Maestro João Seppe, nº. 900, 16º. andar - Sala 163 | São Carlos/SP - CEP: 13561-120
 


Normas para publicação | Contato