The effectiveness of machine learning in detecting phishing websites

Jacek Łukasz Wilk-Jakubowski; Aleksandra Sikora; Dawid Maciejski

doi:10.35784/iapgos.8143

PDF (angielski)

Opublikowane: 2025-09-30

DOI: https://doi.org/10.35784/iapgos.8143

Numer Tom 15 Nr 3 (2025)

Wyodrębnianie cech obiektów poprzez pojedyncze rzutowania tensora danych na macierze
Yuriy Bunyak, Roman Kvуetnyy, Olga Sofina, Volodymyr Kotsiubynskyi

5-9
Hybrydowe podejście łączące uogólniony algorytm optymalizacji rozkładu normalnego i rozmyte C-średnie ze wskaźnikiem Calińskiego-Harabasza do optymalizacji grupowania
Moatasem Mahmood Ibrahim, Omar Saber Qasim, Talal Fadhil Hussein

10-14
Metoda hybrydowych logicznych drzew klasyfikacyjnych opartych na grupowym wyborze cech dyskretnych
Igor Povkhan, Andrii Leheza, Oksana Mulesa, Olena Melnyk, Aliya Kintonova

15-21
Optymalne zarządzanie jakością energii elektrycznej w oparciu o podejście leksykograficzne
Yurii Voitiuk, Anatolii Volotskyi, Iuliia Shullie, Maiia Kovalchuk, Laura Duissembayeva

22-28
Wdrażanie energooszczędnych trybów suszenia elektroradiacyjnego materiałów zawierających olej przy użyciu narzędzi automatyzacji
Borys Kotov, Roman Kalinichenko, Serhii Stepanenko, Vasyl Lukach, Volodymyr Hryshchenko, Alvian Kuzmych, Yurii Pantsyr, Ihor Garasymchuk, Volodymyr Vasylyuk

29-32
Metody i środki laserowego mapowania macierzy Jonesa warstw polikrystalicznych płynów biologicznych
Olexander Ushenko, Iryna Soltys, Olexander Dubolazov, Sergii Pavlov, Vasyl Garasym, Alona Kolomiiets, Bakhyt Yeraliyeva

33-37
Klasyfikacja choroby Alzheimera na podstawie MRI przy użyciu transformera wizyjnego
Mohith Reddy Kandi, Sree Vijaya Lakshmi Kothapalli, Sivamsh Pavan Rajanala, Suvarna Vani Koneru, Vishnu Pramukh Vattikunta

38-44
Poprawa wczesnej diagnostyki choroby Parkinsona poprzez analizę pisma ręcznego
Asma Ouabd, Abdelilah Jilbab, Achraf Benba, Ahmed Hammouch

45-49
Biomechaniczne podstawy i zalety aktywnych ortez w terapii skoliozy idiopatycznej
Patrycja Tymińska-Wójcik

50-54
Zastosowanie technologii rozpoznawania twarzy w celu zwiększenia kontroli w systemach bezpieczeństwa informacyjnego
Nurzhigit Smailov, Rashida Kadyrova, Kamila Abdulina, Fatima Uralova, Nurgul Kubanova, Akezhan Sabibolda

55-58
System IoT z przekształtnikami częstotliwości wielkości fizycznych na FPGA
Oleksandr V. Osadchuk, Iaroslav O. Osadchuk, Valentyn K. Skoshchuk

59-66
Badanie możliwości zmniejszenia błędu pomiaru przesunięcia fazowego sygnałów radiowych
Sergey Matvienko, Grygoriy Tymchyk, Konstantin Vonsevych, Nataliia Stelmakh

67-72
Zastosowanie systemów czujników światłowodowych w monitorowaniu stanu technicznego konstrukcji betonowych
Nurzhigit Smailov, Akmaral Tolemanova, Amir Aziskhan, Beibarys Sekenov, Akezhan Sabibolda

73-76
Modelowanie cyklu pracy spiralnej sprężarki pompy ciepła
Bohdan Sydorchuk, Oleksandr Naumchuk

77-80
Modelowanie parkingów przechwytujących
Larysa Gumeniuk, Volodymyr Lotysh, Pavlo Humeniuk, Oleksandr Reshetylo, Yuriy Syrota

81-86
Opracowanie i badanie parametrów W potencjalnie niestabilnych czwórników w oparciu o matematyczny model postaci W tranzystorów polowych w zakresie wysokich częstotliwości
Oleksandr Voznyak, Kateryna Kovalova, Yurii Polievoda, Liudmyla Kolianovska, Svitlana Ovsienko, Alla Solomon

87-90
Wykrywanie informacji poufnych za pomocą dużych modeli językowych
Oleh Deineka, Oleh Harasymchuk, Andrii Partyka, Yurii Dreis, Yuliia Khokhlachova, Yuriy Pepa

91-99
Etyczna symulacja ataku phishingowego
Justyna Kęczkowska, Karol Wykrota, Mirosław Płaza

100-104
Skuteczność uczenia maszynowego w wykrywaniu stron phishingowych
Jacek Łukasz Wilk-Jakubowski, Aleksandra Sikora, Dawid Maciejski

105-109
Współczesne podejścia do integracji agentów AI z procesami informacyjnymi bibliotek
Mariia Sokil, Andriy Andrukhiv

110-116
Opracowanie adaptacyjnego algorytmu planowania opartego na uczeniu przez wzmacnianie dla inteligentnych kuchni komercyjnych
Konrad Kabala, Piotr Dziurzanski, Agnieszka Konrad

117-122
Optymalizacja technik głębokiego uczenia się poprzez łączenie modeli BiLSTM i BiGRU do przewidywania cen złota
Iqbal Kharisudin, Nike Yustina Oktaviani

123-130
Wirtualne kościoły w Polsce – analiza użyteczności i dostępności
Michał Mitura, Mariusz Dzieńkowski

131-137
Badanie procesu granulacji paszy w oparciu o analizę systemową – uzasadnienie kryteriów optymalizacji
Mahil Isa Mammadov

138-142

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Jacek Łukasz Wilk-Jakubowski

jwilk@tu.kielce.pl

Kielce University of Technology, Department of Information Systems

https://orcid.org/0000-0003-1275-948X

Aleksandra Sikora

asikora@tu.kielce.pl

Kielce University of Technology, Department of Computer Science, Electronics and Electrical Engineering

Dawid Maciejski

dawidmaciejski0@proton.me

Kielce University of Technology, Faculty of Electrical Engineering, Automatic Control and Computer Science

https://orcid.org/0009-0003-6426-2552

Abstrakt

Zjawisko phishingu stanowi poważne ryzyko w dziedzinie bezpieczeństwa cyfrowego, co wymaga efektywnych sposobów identyfikacji fałszywych witryn. W ramach badania oceniono efekty dziewięciu modeli klasyfikacyjnych opartych na uczeniu maszynowym w kontekście rozpoznawania stron phishingowych. Przygotowano dwa różne zestawy danych wejściowych: pierwszy obejmował pełny kod HTML, natomiast drugi opierał się na zestawie cech wydobytych z tego kodu. Przeprowadzona analiza ujawniła, że modele trenowane na wyodrębnionych cechach osiągają niemal dwukrotnie lepsze wyniki w wykrywaniu od modeli działających na surowym kodzie HTML. Wykorzystanie głosowania większościowego przyczyniło się do dalszej poprawy skuteczności klasyfikacji. Rezultaty badań potwierdzają, że odpowiedni dobór cech oraz integracja wyników z wielu modelów znacząco podnoszą efektywność systemów identyfikujących zagrożenia w Internecie.

Słowa kluczowe:

phishing, uczenie maszynowe, klasyfikacja stron internetowych, analiza cech, bezpieczeństwo sieci, detekcja zagrożeń

Bibliografia

[1] Albishri A. A., Dessouky M. M.: A comparative analysis of machine learning techniques for URL phishing detection. Engineering, Technology & Applied Science Research 14(6), 2024, 18495–18501 [https://doi.org/10.48084/etasr.8920].

[2] Arvind N.: Phiusiil phishing URL dataset (Version 1) [https://www.kaggle.com/datasets/ndarvind/phiusiil-phishing-url-dataset] (available: 19.03.2025).

[3] Carreras-Coch A., et al.: Communication Technologies in Emergency Situations. Electronics 11(7), 2022, 1155 [https://doi.org/10.3390/electronics11071155].

[4] Géron A.: Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wyd. 3, Helion, 2023.

[5] Hadnagy C., Fincher M., Dreeke R.: Mroczne odmęty phishingu. Nie daj się złowić! Helion, 2018.

[6] Hadnagy C.: Social engineering: the art of human hacking. Wiley Publishing, 2011.

[7] Hastie T., Tibshirani R., Friedman J.: The elements of statistical learning: data mining, inference, and prediction. Springer, 2009.

[8] Jha A.: Fight fraud with machine learning. Manning Publications, 2023.

[9] Liu B.: Web data mining: exploring hyperlinks, contents, and usage data. 2nd ed., Springer, 2011.

[10] Mitchell R.: Web scraping with Python: collecting data from the modern web. 2nd ed., O’Reilly Media, 2018.

[11] Murphy K.P.: Machine learning: a probabilistic perspective. MIT Press, 2012.

[12] PhishTank: Phishing website database [https://phishtank.org/] (accessed: 22.03.2025).

[13] Reyes-Dorta N., Caballero-Gil P., Rosa-Remedios C.: Detection of malicious URLs using machine learning. Wireless Networks 30, 2024, 7543–7560 [https://doi.org/10.1007/s11276-024-03700-w].

[14] Sasanuma M., et al.: Research and development of very small aperture terminals (VSAT) that can be installed by easy operation during disasters – Issues and the solutions for implementing simple and easy installation of VSAT earth station. IEICE 112(440), 2013, 1–3.

[15] Shalev-Shwartz S., Ben-David S.: Understanding machine learning: from theory to algorithms. Cambridge University Press, 2014.

[16] Shashwat A.: Web page phishing detection dataset (Version 1) [https://www.kaggle.com/datasets/shashwatwork/web-page-phishing-detection-dataset] (available: 23.03.2025).

[17] Suematsu N., et al.: Multi-mode SDR VSAT against big disasters. European Microwave Conference’13, Nuremberg, 2013 [https://doi.org/10.23919/EuMC.2013.6686788].

[18] Tashtoush Y., et al.: Exploring low-level statistical features of n-grams in phishing URLs: a comparative analysis with high-level features. Cluster Computing 27, 2024, 13717–13736 [https://doi.org/10.1007/s10586-024-04655-5].

[19] Wilk-Jakubowski J. Ł.: A review on information systems engineering using VSAT networks and their development directions. Yugoslav Journal of Operations Research 31(3), 2021, 409–428 [https://doi.org/10.2298/YJOR200215015W].

[20] Wilk-Jakubowski J. Ł.: Broadband satellite data networks in the context of the available protocols and digital platforms. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska – IAPGOŚ 2, 2021, 56–60 [https://doi.org/10.35784/iapgos.2630].

Skuteczność uczenia maszynowego w wykrywaniu stron phishingowych. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(3), 105-109. https://doi.org/10.35784/iapgos.8143

Biogramy autorów

Jacek Łukasz Wilk-Jakubowski - Kielce University of Technology, Department of Information Systems

He is an associate professor at the Kielce University of Technology, Faculty of Electrical Engineering, Automatic Control and Computer Science, Department of Information Systems. He was awarded the doctor of technical science degree (with the specialization in ICT, Teleinformatics, Data Transmission and Signal Processing) and doctor of science (habilitation) degree in the Informatics and Computer Science discipline. He is the author of several inventions that have been granted protection by the Patent Office, participant of many national and international conferences and projects, and laureate of several awards, among others for patents. He is the author more than 90 scientific publications (including 5 monographs, 5 chapters in monographs, as well as more than 80 papers).

http://orcid.org/0000-0003-1275-948X

Aleksandra Sikora - Kielce University of Technology, Department of Computer Science, Electronics and Electrical Engineering

She is an assistant professor at the Kielce University of Technology in the Faculty of Electrical Engineering, Automatic Control and Computer Science, Department of Computer Science, Electronics and Electrical Engineering. She has participated in numerous IT projects integrating scientific research with student education in areas such as cybersecurity, big data, machine learning, and digital metrology.

https://orcid.org/0009-0003-6426-2552

Dawid Maciejski - Kielce University of Technology, Faculty of Electrical Engineering, Automatic Control and Computer Science

A graduate of second-cycle studies in Computer Science, specializing in Cybersecurity, at the Faculty of Electrical Engineering, Automation, and Computer Science at the Kielce University of Technology, completed in 2025. His main areas of interest include developing machine learning methods, issues related to computer networks, and user security on the Internet.

##plugins.themes.bootstrap3.article.sidebar##