ВИЯВЛЕННЯ ФІШІНГУ В КАНАЛАХ ЕЛЕКТРОННОЇ КОМУНІКАЦІЇ

Ігор Терейковський; Людмила Терейковська

doi:10.28925/2663-4023.2026.32.1092

Автор(и)

Ігор Терейковський Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0003-4621-9668
Людмила Терейковська Київський національний університет будівництва i архітектури https://orcid.org/0000-0002-8830-0790

DOI:

https://doi.org/10.28925/2663-4023.2026.32.1092

Ключові слова:

безпека інформації, виявлення, діалоговий інтелектуальний помічник, електронна комунікація, захист інформації, нейронна мережа, фішинг

Анотація

Стаття присвячена підвищенню ефективності засобів захисту інформації вітчизняного кіберпростору шляхом автоматизованого виявлення фішингу у текстових повідомленнях каналів електронної комунікації. Показано, що фішинг залишається одним із домінуючих векторів кібератак, зокрема в умовах активного застосування методів соціальної інженерії та психоемоційного впливу, що суттєво ускладнює його своєчасне виявлення традиційними сигнатурними та статистичними методами. Встановлено, що більшість відомих нейромережевих рішень характеризуються високою ресурсоємністю, потребують формування значних обсягів розмічених навчальних даних та є недостатньо адаптованими до специфіки вітчизняного контенту, який характеризується обмеженістю розмічених корпусів, морфологічною варіативністю та чутливістю до контекстних соціально-інженерних впливів. Для подолання зазначених обмежень у статті запропоновано метод виявлення фішингу, який ґрунтується на використанні апробованих діалогових інтелектуальних помічників на базі великих мовних моделей у режимі формалізованої діалогової взаємодії. Метод передбачає автоматизований аналіз текстових повідомлень шляхом подачі стандартизованих запитів, сформованих з урахуванням типових ознак фішингових атак. Запропоновано класифікацію фішингових повідомлень за вектором ознак виявлення. Для кожного виду сформовано цільові предикати запитів, що забезпечують детермінований та інтерпретований аналіз результатів. Розроблений метод передбачає попередню обробку тексту, формування та подачу запитів до діалогових інтелектуальних помічників, агрегацію відповідей та оцінювання наявності фішингу з використанням механізму зваженої лінійної згортки. Проведені експериментальні дослідження засвідчили, що середній показник точності класифікації при застосуванні запропонованого методу становить 97,5%, що відповідає рівню найкращих відомих рішень аналогічного призначення. Водночас реалізація запропонованого методу не потребує ресурсоємного навчання нейромереж, формування великих обсягів розмічених даних і створення спеціалізованого апаратно-програмного забезпечення, що забезпечує оперативність створення ефективної системи виявлення фішингу у вітчизняних каналах електронної комунікації.

Завантаження

Дані завантаження ще не доступні.

Посилання

. Aldakheel, E. A., Zakariah, M., Gashgari, G. A., Almarshad, F. A., & Alzahrani, A. I. A. (2023). A deep learning-based innovative technique for phishing detection in modern security with uniform resource locators. Sensors, 23(9), 4403. https://doi.org/10.3390/s23094403

. Altwaijry, N., Al-Turaiki, I., Alotaibi, R., & Alakeel, F. (2024). Advancing phishing email detection: A comparative study of deep learning models. Sensors, 24(7), 2077. https://doi.org/10.3390/s24072077

. Chinta, P. C. R., Moore, C. S., Karaka, L. M., Sakuru, M., Bodepudi, V., & Maka, S. R. (2025). Building an intelligent phishing email detection system using machine learning and feature engineering. European Journal of Applied Science, Engineering and Technology, 3(2), 41–54. https://doi.org/10.59324/ejaset.2025.3(2).04

. Dychka, I. A., Tereikovskyi, I. A., Korovii, O. S., Tereikovska, L. O., & Romankevich, V. O. (2023). Evaluation of the effectiveness of tools for recognizing emotional sentiment of text fragments. Scientific Notes of V. I. Vernadsky Taurida National University. Series: Technical Sciences, 34(73), 3(1), 130–135. https://doi.org/10.32782/2663-5941/2023.3.1/20

. European Union Agency for Cybersecurity. (2020). ENISA threat landscape: Phishing (ISBN 978-92-9204-354-4). Publications Office of the European Union. https://doi.org/10.2824/552242

. Firman, Tukiyat, & Wiharjo, S. (2025). Phishing email classification approach using machine learning algorithms: A literature review. Data: Journal of Information Systems and Management, 3(3), 135–145. https://doi.org/10.61978/data.v3i3

. Harasymchuk, O., Oliarnyk, Y., Nestor, A., & Nakonechyy, T. (2025). Psychological methods of fraud in cyberspace and ways to counter them. Cybersecurity: Education, Science, Technique, 2(30), 511–529. https://doi.org/10.28925/2663-4023.2025.30.990

. Komosny, D. (2025). Phishing detection on webpages in European non-English languages based on machine learning. Scientific Reports, 15, Article 37472. https://doi.org/10.1038/s41598-025-21384-w

. Korchenko, O., Tereikovskyi, I., Dychka, I., Romankevich, V., & Tereikovska, L. (2025). Detection of manipulative component in text messages of mass media in the context of protection of domestic cyberspace. Cybersecurity: Education, Science, Technique, 1(29), 27–40. https://doi.org/10.28925/2663-4023.2025.29.839

. Korchenko, O., Tereikovskyi, I., Ziubina, R., Tereikovska, L., Korystin, O., Tereikovskyi, O., & Karpinskyi, V. (2025). Modular neural network model for biometric authentication of personnel in critical infrastructure facilities based on facial images. Applied Sciences, 15, 2553. https://doi.org/10.3390/app15052553

. Petliak, N., Bezkorovalnyi, Y., & Kupchyk, N. (2024). Analysis of modern methods of detection of phishing e-mails. Herald of Khmelnytskyi National University. Technical Sciences, 341(5), 510–515. https://doi.org/10.31891/2307-5732-2024-341-5-73

. Rangapur, A., Kanakam, T., & Dhanvanthini, P. (2022). Phish-Defence: Phishing detection using deep recurrent neural networks. arXiv. https://doi.org/10.48550/arXiv.2110.13424

. State Cyber Protection Center of the State Service of Special Communications and Information Protection of Ukraine. (2024). Annual report of the vulnerability detection and cyber incident and cyberattack response system: 2024 [Analytical report]. State Service of Special Communications and Information Protection of Ukraine.

. State Cyber Protection Center of the State Service of Special Communications and Information Protection of Ukraine. (2025). System of vulnerability detection and response to cyber incidents and cyberattacks: First half of 2025 [Analytical report]. State Service of Special Communications and Information Protection of Ukraine.

. Tereikovskyi, I. A., Chernyshev, D. O., Korchenko, O. H., Tereikovska, L. O., & Tereikovskyi, O. I. (2022). Procedure for applying neural networks for raster image segmentation. Cybersecurity: Education, Science, Technique, 2(18), 25–38. https://doi.org/10.28925/2663-4023.2022.18.2438

. Tereikovskyi, I., AlShboul, R., Mussiraliyeva, S., Tereikovska, L., Bagitova, K., Tereikovskyi, O., & Hu, Z. (2024). Method for constructing neural network means for recognizing scenes of political extremism in graphic materials of online social networks. International Journal of Computer Network and Information Security, 16(3), 52–69. https://doi.org/10.5815/ijcnis.2024.03.05

. Tyshchenko, V. S. (2023). Analysis of training methods and neural network tools for fake news detection. Cybersecurity: Education, Science, Technique, 4(20), 21–34. https://doi.org/10.28925/2663-4023.2023.20.2034