Phishingutils: estudio sobre herramientas de detección de phishing en URLs

Abstract

Los ciberataques son cada vez más frecuentes, complejos y pueden tener mayor potencial de causar daños graves en sociedades completas. El phishing es uno de ellos, y constituye una de las más grandes vulnerabilidades actuales, siendo objeto de numerosas investigaciones sobre su prevención. La mayoría de ataques ocurren por medio de páginas web, y la identificación de phishing por medio de URLs ha demostrado ser una de las técnicas más efectivas, utilizando técnicas de clasificación de Machine Learning. Debido a que es requerido realizar la tarea de recopilar un gran volumen de muestras para desarrollar una detección fiable, se evidencia la necesidad de crear herramientas que realicen este proceso automáticamente, además de hacer disponibles conjuntos de datos masivos para investigaciones futuras. Para contribuir con dicha necesidad, se ha creado en este proyecto una biblioteca de Python, que permite gestionar automáticamente el proceso de recopilación y consolidación de conjuntos de datos, a partir de solo algunas configuraciones por parte del usuario. Para demostrar el funcionamiento de esta biblioteca, se realizó una revisión literaria de 30 artículos relacionados y publicados en los últimos 5 años, para obtener el estado del arte de atributos y parámetros para la detección de URLs phishing. Como resultados, se cuenta con la versión publicable de la biblioteca desarrollada, un conjunto de datos de 2.500.000 muestras, aproximadamente 20 veces el tamaño de la más grandes fuentes de datos existentes actualmente, también como la documentación de la revisión literaria realizada, propuesta como referencia para investigaciones futuras. Se aplicaron modelos de clasificación al conjunto de datos construido, resultando en valores de precisión de más de 99 %.

Cyberattacks are becoming more frequent, complex and can represent a bigger risk of causing great damage in whole societies. Phishing is one type of these attacks, constitutes one of the most important vulnerabilities currently, and is being object of numerous investigations about its prevention. Most attacks are transmitted via web pages, and identifying phishing by its source URL has proved to be one of the most effective detection techniques, accompanied by modeling using Machine Learning classifier algorithms. As it is required to collect - often manually - considerable amount of samples to implement reliable detection, there is an evident demand of tools which handle this process automatically, as well as curated massive datasets that are publicly available for future research. To contribute with this perceived need, this study presents phishingutils, a custom-made Python package that allows a way of automatically downloading data sources and creating high-volume datasets for phishing URL detection, by defining model attributes and features using few high level instructions. To demonstrate its applicability, we performed a literature review of 30 articles published in the last 5 years, to document the state of the art in phishing URL detection. As a result, we published the latest stable version of the implemented package, as well as a dataset with 2.500.000 URL samples, approximately more than 20 times the volume of most data sources available currently. We also publish via this document the process and conclusions of the literally review, with the goal of aiding future research in identifying related works. Finally, we tested the resulting dataset with state-of-the-art classifier models, reporting accuracy of more than 99 %.