TÉCNICAS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN Y CLASIFICACIÓN DE URLS MALICIOSAS

Abstract

En la actualidad, los ciberdelincuentes llevan a cabo ataques de ingeniería social, empleando diferentes vectores para comprometer la seguridad de la información y aprovechar el factor humano. Principalmente, se benefician de la necesidad del usuario de hacer click en un Localizador Uniforme de Recursos (URL), permitiendo el éxito del ataque.

En este Trabajo de Fin de Grado, titulado ``Técnicas de Aprendizaje Automático para la Detección y Clasificación de URLs Maliciosas", se aborda la creación de un modelo capaz de identificar URLs maliciosas en un entorno de ciberseguridad.

El proyecto se centra en el estudio de un conjunto de datos de URLs, su análisis y procesamiento, seguido del entrenamiento de modelos de clasificación utilizando técnicas de Aprendizaje Automático (ML). Estas técnicas se seleccionaron por su capacidad para detectar URLs maliciosas, basándose en características léxicas y estructurales de las mismas. Además, se evalúan los modelos, logrando resultados significativos en la clasificación de URLs en legítimas y maliciosas.

Para facilitar su uso en entornos reales, se desarrolla una Interfaz de Programación de Aplicaciones (API) que integra el modelo entrenado, la cual fue dockerizada para asegurar un despliegue eficiente en cualquier infraestructura.

En trabajos futuros, se investigarán y estudiarán estas prácticas aplicadas a algoritmos de ML de carácter no supervisado o semi-supervisado. Con ello, se busca proporcionar una visión integral que contribuya al desarrollo de herramientas más efectivas para combatir estas amenazas.