Publicação
Detecting Phishing Websites Using Artificial Intelligence and Computer Vision for Brand Protection and Cyber Defence
| datacite.subject.fos | Guerra da informação | |
| dc.contributor.advisor | Borges , José Alberto de Jesus | |
| dc.contributor.author | Pires , Carlos Eduardo Carvalho Vaz | |
| dc.date.accessioned | 2026-03-13T11:25:48Z | |
| dc.date.available | 2026-03-13T11:25:48Z | |
| dc.date.issued | 2023-09 | |
| dc.date.submitted | 2026-03-13 | |
| dc.description.abstract | A sobreposição de eventos ciber. associados a adversários com um elevado nível de sofisticação e a grupos apoiados por Estados ou a atuarem no seu interesse evidencia a necessidade de fortificar os controlos de cibe segurança. O cibercrime é cada vez predominante, adaptativo e diversificado, com os adversários a desenvolverem e aplicarem estratégias cada vez mais sofisticadas para atacar pessoas e empresas. Os ataques de engenharia social com recurso a phishing continuam a ser uma ameaça dominante, em que os adversários, estando cada vez mais sofisticados e motivados pelo elevado retorno financeiro, refinam as suas táticas e técnicas. As tecnologias de visão computacional são uma ferramenta inestimável para a identificação e categorização de websites de phishing, contribuindo assim para a cibe defesa e cibe segurança. A proeminência das Redes Neurais Convolucionais demonstra a sua notável capacidade em identificar com precisão websites de phishing. Neste trabalho é proposto uma ferramenta inovadora denominada por BlitzPhish, baseada em inteligência artificial e tecnologias de visão computacional, para a identificação, detecção e resposta a ataques de phishing. O objetivo principal do BlitzPhish é o de automatizar o processo de classificação, minimizando o tempo entre a detecção e a tomada de uma ação de resposta ao ataque de phishing. Quando treinado com conjunto de imagens selecionadas de capturas de ecrã de websites reais, o classificador destacou-se pela sua eficácia na classificação de websites de phishing assim como no número reduzido de falsos positivos, tendo obtido 95.76% na métrica de F1 e 91.57% na métrica de Matthews Correlation Coefficient. Sugere-se como trabalho futuro, para melhorar a precisão e a sensibilidade do classificador, e potenciar o desenvolvimento de novas estratégias de cibe segurança, a integração de mecanismos de fuzzy logic com recurso a outras variáveis. | por |
| dc.identifier.tid | 204221870 | |
| dc.identifier.uri | http://hdl.handle.net/10400.26/62190 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | Ciberdefesa | |
| dc.subject | Cibersegurança | |
| dc.subject | Inteligência Artificial | |
| dc.subject | Phishing | |
| dc.subject | Redes Neuronais Convolucionais | |
| dc.title | Detecting Phishing Websites Using Artificial Intelligence and Computer Vision for Brand Protection and Cyber Defence | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Guerra da informação |
Ficheiros
Principais
1 - 1 de 1
A carregar...
- Nome:
- PIRES2023 - Detecting Phishing Websites Using Computer Vision - Carlos Pires.pdf
- Tamanho:
- 1.11 MB
- Formato:
- Adobe Portable Document Format
Licença
1 - 1 de 1
Miniatura indisponível
- Nome:
- license.txt
- Tamanho:
- 1.85 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: