Un modèle d’apprentissage en profondeur pour détecter les URLs d’hameçonnage

Abstract

L’hameçonnage est un type d’attaque informatique qui communique des messages d’ingénierie sociale aux humains via des canaux de communication électroniques afin de les persuader d’effectuer certaines actions au profit de l’attaquant. Ce travail propose une approche d’apprentissage profond basées sur l’utilisation des réseaux neuronaux convolutifs temporels (TCN) pour la détection des URLs de phishing. Le modèle proposé utilise des architectures profondes pour classer les adresses URL comme légitimes ou illégitimes. Dans ce mémoire, plusieurs jeux de données ont été utilisé et sont disponible sur la plateforme Kaggle. Une précision optimale de 99, 96% a été atteinte après un ensemble de diverses séries d’expériences avec l’utilisation de plusieurs méthodes et techniques qui seront examinées dans ce mémoire. Mots Clés : Hameçonnage,réseaux neuronaux convolutifs temporels(TCN),Uniform Resource Locator(URL), Apprentissage profond.