REVISTA DE INGENIERIA DYNA

Palabras clave:

phishing effect, prediction, machine learning, feature representation, scams, Internet of Things, email security, regression model, support vector machine, dataset partitioning, phishing detection, Bald Eagle Eye Optimizer, global optimization, classification, early warning system

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

Los sitios web de phishing siguen constituyendo una importante amenaza para la ciberseguridad, ya que imitan servicios en línea de confianza para robar información confidencial de los usuarios. Este estudio propone un marco de aprendizaje para la detección de sitios web de phishing utilizando datos disponibles públicamente y características relacionadas con el phishing. El conjunto de datos se divide en subconjuntos de entrenamiento y prueba para aprender patrones discriminativos entre sitios web de phishing y sitios web legítimos. Se emplea un clasificador Support Vector Regression (SVR), cuyos hiperparámetros se optimizan mediante el Bald Eagle Optimizer (BEO) con el objetivo de mejorar la generalización y reducir los falsos positivos. Los resultados experimentales indican que el SVM optimizado mediante 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 en el conjunto de datos de referencia seleccionado.