Machine learning based phishing detection from URLs

Metadane

• Autorzy: O. K. Sahingoz, E. Buber, O. Demir, B. Diri
• Rok: 2019
• Źródło: Expert Systems with Applications, Vol. 117, pp. 345-357
• DOI/Link: https://doi.org/10.1016/j.eswa.2018.09.029
• Status: to-read
• Pochodzenie: Wyekstrahowane z fraud-detection-ecommerce-ml-2026
• Tagi: to-read reference phishing-detection url-analysis nlp random-forest

Notatki

Publikacja dodana automatycznie z bibliografii. Dodaj PDF aby wygenerować pełne podsumowanie używając /summarize-paper sahingoz-phishing-url-nlp-2019

Dwa feature sety z URL: 39 NLP features i 102 word features. Random Forest 97.98% accuracy na 73,575 phishing URLs. Pokazuje różnice między phishing (URL-based) a e-commerce fraud detection.