Разработка интеллектуальной системы обнаружения фишинговых электронных писем

Аннотация

В работе рассматривается проектирование интеллектуальной системы распознавания фишинговых электронных писем на основе совместного анализа их содержания и технических характеристик. Цель исследования состоит в обосновании архитектуры, которая объединяет семантические модели обработки естественного языка, результаты аутентификации электронной почты и признаки URL-адресов. На основании анализа научных публикаций и стандартов SPF, DKIM и DMARC предложены схема обработки сообщения, состав признаков, порядок формирования оценки риска и протокол проверки качества. Особое внимание уделено происхождению технических данных, снижению числа пропущенных фишинговых сообщений, многоязычной переписке и интерпретируемости решения. Сопоставлены достоинства и ограничения правил, классического машинного обучения и трансформерных моделей. Результатом является концептуальная спецификация гибридного детектора, которую можно использовать при последующей программной реализации. Работа носит проектно-аналитический характер: обучение готовой модели и измерение её точности на реальном корпусе электронных писем не проводились.

Ключевые слова: фишинговые письма, информационная безопасность, машинное обучение, трансформерные модели, анализ URL, SPF, DKIM, DMARC, оценка риска

Список литературы

1. Kyaw P. H., Gutierrez J., Ghobakhlou A. A Systematic Review of Deep Learning Techniques for Phishing Email Detection // Electronics. — 2024. — Vol. 13, № 19. — Art. 3823. — DOI: 10.3390/electronics13193823.
2. Meléndez R., Ptaszynski M., Masui F. Comparative Investigation of Traditional Machine-Learning Models and Transformer Models for Phishing Email Detection // Electronics. — 2024. — Vol. 13, № 24. — Art. 4877. — DOI: 10.3390/electronics13244877.
3. Alhuzali A., Alloqmani A., Aljabri M., Alharbi F. In-Depth Analysis of Phishing Email Detection: Evaluating the Performance of Machine Learning and Deep Learning Models Across Multiple Datasets // Applied Sciences. — 2025. — Vol. 15, № 6. — Art. 3396. — DOI: 10.3390/app15063396.
4. Opara C., Modesti P., Golightly L. Evaluating Spam Filters and Stylometric Detection of AI-Generated Phishing Emails // Expert Systems with Applications. — 2025. — Vol. 276. — Art. 127044. — DOI: 10.1016/j.eswa.2025.127044.
5. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of NAACL-HLT. — 2019. — P. 4171–4186. — DOI: 10.18653/v1/N19-1423.
6. Sanh V., Debut L., Chaumond J., Wolf T. DistilBERT, a Distilled Version of BERT: Smaller, Faster, Cheaper and Lighter // arXiv. — 2019. — URL: https://arxiv.org/abs/1910.01108 (дата обращения: 13.11.2026).
7. Kitterman S. Sender Policy Framework (SPF) for Authorizing Use of Domains in Email, Version 1. RFC 7208. IETF, 2014. — DOI: 10.17487/RFC7208.
8. Crocker D., Hansen T., Kucherawy M. DomainKeys Identified Mail (DKIM) Signatures. RFC 6376. IETF, 2011. — DOI: 10.17487/RFC6376.
9. Herr T., Levine J. Domain-Based Message Authentication, Reporting, and Conformance (DMARC). RFC 9989. IETF, 2026. — URL: https://www.rfc-editor.org/rfc/rfc9989.html (дата обращения: 13.11.2026).
10. Kucherawy M. Message Header Field for Indicating Message Authentication Status. RFC 8601. IETF, 2019. — DOI: 10.17487/RFC8601.
11. Sahingoz O. K., Buber E., Demir O., Diri B. Machine Learning Based Phishing Detection from URLs // Expert Systems with Applications. — 2019. — Vol. 117. — P. 345–357. — DOI: 10.1016/j.eswa.2018.09.029.
12. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. — 2017. — Vol. 30. — URL: https://proceedings.neurips.cc/paper/2017/hash/8a20a8621978632d76c43dfd28b67767-Abstract.html (дата обращения: 13.11.2026).
13. Conneau A. et al. Unsupervised Cross-lingual Representation Learning at Scale // Proceedings of ACL. — 2020. — P. 8440–8451. — DOI: 10.18653/v1/2020.acl-main.747.
14. Saito T., Rehmsmeier M. The Precision–Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets // PLOS ONE. — 2015. — Vol. 10, № 3. — Art. e0118432. — DOI: 10.1371/journal.pone.0118432.
15. Guo C., Pleiss G., Sun Y., Weinberger K. Q. On Calibration of Modern Neural Networks // Proceedings of ICML. — 2017. — P. 1321–1330. — URL: https://proceedings.mlr.press/v70/guo17a.html (дата обращения: 13.11.2026).

Как цитировать

Набоков Д.К., Ичетовкин Р.В., Ломако Н.А., Баширов А.Ю. Разработка интеллектуальной системы обнаружения фишинговых электронных писем // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – С. 276–281.