Machine Learning-Based Malicious Web Page Detection

Öz

With the growing spread of the internet, malicious activities like phishing attacks have become a major cybersecurity threat. To fill the gap in the current research on identifying such attacks, which aim to steal personal and financial data by redirecting users to fake online sites, this study sought to develop a Machine Learning (ML) model that can detect malicious websites with high accuracy using URL information. For this, Convolutional Neural Network (CNN) architecture was used that analyzes URL strings with high precision. Training and testing the model resulted in a validation accuracy of 89.95%. The developed CNN-based model has the potential to be integrated into cybersecurity systems to proactively defend users against phishing, as this experimental result clearly shows. Hence, this study makes an important contribution to improving digital security by demonstrating the effectiveness of CNN in detecting malicious websites based on URLs.

Anahtar Kelimeler

• Malicious URL Detection
• Phishing
• Machine Learning
• Cyber security

Makine Öğrenme Tabanlı Kötü Amaçlı Web Sayfası Algılama

Öz

İnternetin kullanımının yaygınlaşmasıyla birlikte, oltalama (phishing) saldırıları gibi kötücül faaliyetler siber güvenlik alanında önemli bir tehdit unsuru haline gelmiştir. Kullanıcıları sahte çevrimiçi platformlara yönlendirmek suretiyle kişisel ve finansal verilerin ele geçirilmesini amaçlayan bu tür saldırıların tespitine yönelik mevcut literatürdeki eksikliği gidermek amacıyla, bu çalışmada URL bilgisine dayalı olarak zararlı web sitelerini yüksek doğrulukla tespit edebilen bir Makine Öğrenmesi modelinin geliştirilmesi hedeflenmiştir. Bu kapsamda, URL karakter dizilerini yüksek hassasiyetle analiz etme yeteneğine sahip Evrişimli Sinir Ağı mimarisi kullanılmıştır. Gerçekleştirilen eğitim ve test süreçleri neticesinde, %89.95 oranında bir doğrulama başarımı elde edilmiştir. Söz konusu deneysel bulgu, geliştirilen CNN tabanlı modelin, kullanıcıları oltalama girişimlerine karşı proaktif bir şekilde savunmak adına siber güvenlik sistemlerine entegre edilme potansiyeline sahip olduğunu açıkça ortaya koymaktadır. Sonuç olarak bu çalışma, URL tabanlı zararlı web sitesi tespitinde CNN yönteminin etkinliğini doğrulayarak, dijital güvenlik standartlarının yükseltilmesine yönelik literatüre önemli bir katkı sunmaktadır.

Anahtar Kelimeler

• Kötü Amaçlı URL Tespiti
• Kimlik Avı
• Makine Öğrenmesi
• Siber Güvenlik

Kaynakça

1. Abdillah R., Shukur Z., Mohd M. & Murah T. M. Z. (2022). Phishing Classification Techniques: A Systematic Literature Review. IEEE Access, 10(1), pp. 41574-41591. Doi: 10.1109/ACCESS.2022.3166474.
2. Abomhara, M., Køien G. M. (2015). Cyber Security and the Internet of Things: Vulnerabilities, Threats, Intruders and Attacks. Journal of Cyber Security and Mobility. Vol 4. Issue 1. https://doi.org/10.13052/jcsm2245-1439.414
3. Ahsenali, C. J., Chaudhry S. A., Rittenhouse R. G. (2016). Phishing Attacks and Defenses. International Journal of Security and Its Applications 10(1), pp.247-256 http://dx.doi.org/10.14257/ijsia.2016.10.1.23
4. APWG - Anti-Phishing Attacks Working Group (2023). Phishing Attack Trends Report. Erişim Adresi: https://apwg.org/trendsreports/