Predicción de ataques de phishing en sitios web mediante aprendizaje automático y técnicas de optimización

Resumen

Los sitios web de phishing continúan representando una de las principales amenazas para la ciberseguridad, ya que imitan servicios en línea de confianza con el objetivo de robar información confidencial de los usuarios. Este estudio propone un marco de aprendizaje para la detección de sitios web de phishing utilizando datos de acceso público y características relacionadas con este tipo de fraude. El conjunto de datos se divide en subconjuntos de entrenamiento y prueba  para aprender patrones discriminativos entre sitios web de y sitios web legítimos. Se emplea un clasificador de Máquinas de Vectores de Soporte (SVM), cuyos hiperparámetros se optimizan mediante el Optimizador del Águila Calva (BEO, Bald Eagle Optimizer) con el fin de mejorar la capacidad de generalización y reducir los falsos positivos. Los resultados experimentales muestran que el modelo SVM optimizado con BEO alcanzó la mayor precisión de clasificación, con un 95%. En comparación, los métodos de referencia obtuvieron precisiones inferiores: 90 % para el SVM convencional, 88 % para la Red Neuronal, 83 % para la Regresión Logística, 83% para el Árbol de Decisión y 82 % para AP. Estos resultados sugieren que la optimización de hiperparámetros basada en BEO mejora el rendimiento de la clasificación de sitios web de phishing sobre el conjunto de datos de referencia seleccionado.