Виявлення фішингових сайтів методами машинного навчання

Скорочена інформація про документ
dc.contributor.advisorТкач, Володимир Миколайович
dc.contributor.authorХаустович, Артем Ігорович
dc.date.accessioned2025-09-29T09:32:57Z
dc.date.available2025-09-29T09:32:57Z
dc.date.issued2024
dc.description.abstractОбсяг дипломної роботи 45 сторінок,7 ілюстрацій, 1 таблиці, 1 додаток і 15 джерел літератури. Об’єкт дослідження: Фішингові сайти та фішингові електронні листи. Предмет дослідження: Методи машинного навчання для класифікації фішингових URL. Актуальність роботи: Зростання кількості фішингових атак, особливо через фішингові веб-сайти, робить цю тему вкрай важливою. Розробка ефективних методів виявлення фішингу є критичною для захисту користувачів від шахрайства та забезпечення безпеки в Інтернеті. Мета роботи: Покращення існуючих методів виявлення фішингових сайтів за допомогою сучасних технік машинного навчання. Методи дослідження:літературний огляд, аналіз, моделювання, класифікація, оцінка, порівняння. Для класифікації фішингових сайтів використовувались методи: Мультиноміальний Наївний Байєсівський класифікатор (Multinomial Naive Bayes) Логістична регресія (Logistic Regression) Випадковий ліс (Random Forest) Дерево рішень (Decision Trees) Метод k-найближчих сусідів (k-nearest neighbor method) Метод лінійних опорних векторів (Linear Support Vector Machine, Linear SVС)
dc.description.abstractotherThe volume of the thesis is 45 pages,7 illustrations,1 tables, 1 appendix and 15 sources of literature. Object of research: Phishing sites and phishing emails. Subject of research: Machine learning methods for classifying phishing URLs. Relevance of the study: The growing number of phishing attacks, especially through phishing websites, makes this topic extremely important. Developing effective phishing detection methods is critical to protecting users from fraud and ensuring Internet security. Objective: To improve existing phishing website detection methods using modern machine learning techniques. Research methods: literature review, analysis, modeling, classification, evaluation, comparison. The following methods were used to classify phishing sites: Multinomial Naive Bayes classifier Logistic regression Random Forest Decision Trees K-nearest neighbor method Linear Support Vector Machine method
dc.format.extent46 с.
dc.identifier.citationХаустович А. І. Виявлення фішингових сайтів методами машинного навчання : дипломна робота ... бакалавра : 125 Кібербезпека / Хаустович Артем Ігорович. – Київ, 2024. – 46с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76383
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectфішинг
dc.subjectмашинне навчання
dc.subjectвеб-сайти
dc.subjectкласифікація
dc.subjectURL
dc.subjectphishing
dc.subjectmachine learning
dc.subjectwebsites
dc.subjectclassification
dc.titleВиявлення фішингових сайтів методами машинного навчання
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Hautovich_bakalavr.pdf
Розмір:
645.09 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ІБ)
Бакалаврські роботи