MACHINE LEARNING METHODS FOR PHISHING ATTACKS

Abstract

The basis of cybersecurity is an understanding of the mechanisms of social engineering. This increases the effectiveness in combating this type of manipulation. One of them is phishing. Phishing attacks actively exploit the human factor to collect credentials or distribute malware. Phishing websites are visually similar to real websites. Along with the development of technology, phishing methods have also evolved. Machine learning has been effectively used to identify and avoid phishing. The reason of this consider is to survey machine learning methods and the comes about of previous thinks about on the avoidance of phishing attacks. As well as our claim investigation and execution of a model for recognizing phishing sites. The efficiency of the demonstrate is moved forward by combining connected parameters. 5 calculations were utilized to prepare the show: Logistic Regression, Random Forest, Support Vector Machine(SVM), K-nearest neighbors algorithm(KNN) and KNN k-Fold Cross Validation.


 


 




TRANSLATE with x

English






Arabic
Hebrew
Polish


Bulgarian
Hindi
Portuguese


Catalan
Hmong Daw
Romanian


Chinese Simplified
Hungarian
Russian


Chinese Traditional
Indonesian
Slovak


Czech
Italian
Slovenian


Danish
Japanese
Spanish


Dutch
Klingon
Swedish


English
Korean
Thai


Estonian
Latvian
Turkish


Finnish
Lithuanian
Ukrainian


French
Malay
Urdu


German
Maltese
Vietnamese


Greek
Norwegian
Welsh


Haitian Creole
Persian
 










 

TRANSLATE with

COPY THE URL BELOW

Back


EMBED THE SNIPPET BELOW IN YOUR SITE

Enable collaborative features and customize widget: Bing Webmaster Portal
Back



 

 
Язык этой страницы: Английский

 
Перевести на Русский

 
 
 

 






  • Азербайджанский

  • Албанский

  • Амхарский

  • Английский

  • Арабский

  • Армянский

  • Африкаанс

  • Бенгальский

  • Бирманский

  • Болгарский

  • Валлийский

  • Венгерский

  • Вьетнамский

  • Греческий

  • Гуджарати

  • Датский

  • Иврит

  • Индонезийский

  • Исландский

  • Испанский

  • Итальянский

  • Казахский

  • Каннада

  • Каталанский

  • Китайский (традиционный)

  • Китайский (упрощенный)

  • Корейский

  • Креольский (гаити)

  • Курманджи

  • Кхмерский

  • Лаосский

  • Латышский

  • Литовский

  • Малагасийский

  • Малайский

  • Малаялам

  • Мальтийский

  • Маори

  • Маратхи

  • Немецкий

  • Непальский

  • Нидерландский

  • Норвежский

  • Панджаби

  • Персидский

  • Польский

  • Португальский

  • Пушту

  • Румынский

  • Русский

  • Самоанский

  • Словацкий

  • Словенский

  • Тайский

  • Тамильский

  • Телугу

  • Турецкий

  • Украинский

  • Урду

  • Финский

  • Французский

  • Хинди

  • Хорватский

  • Чешский

  • Шведский

  • Эстонский

  • Японский




 



Всегда переводить Английский на РусскийPRO
Никогда не переводить Английский
Никогда не переводить jpcsip.kaznu.kz

Author Biographies

Mirat Medelbekov, International Information Technology University, Almaty, Kazakhstan
Marat Nurtas, International Information Technology University, Almaty, Kazakhstan
Aizhan Altaibek, International Information Technology University, Almaty, Kazakhstan
Published
2023-07-03
How to Cite
MEDELBEKOV, Mirat; NURTAS, Marat; ALTAIBEK, Aizhan. MACHINE LEARNING METHODS FOR PHISHING ATTACKS. Journal of problems in computer science and information technologies, [S.l.], v. 1, n. 2, july 2023. ISSN 2958-0846. Available at: <https://dslib.kaznu.kz/index.php/kaznu/article/view/50>. Date accessed: 22 nov. 2024. doi: https://doi.org/10.26577/JPCSIT.2023.v1.i2.02.