| Abstract |
Pikšķerēšanas uzbrukumi ir būtiska problēma mūsdienu digitālajā vidē, un to gadījumu skaits katru gadu pieaug (APWG, 2024). Šādos uzbrukumos tiek izmantotas dažādas metodes, piemēram, viltotas ziņas, VOIP zvani, viltotas saites un mākslīgas tīmekļa vietnes, lai nozagtu lietotāju personas datus – lietotājvārdus, paroles un finanšu informāciju (Bhavsar et al., 2018). Mākslīgās tīmekļa vietnes maldina lietotājus, imitējot likumīgas vietnes un iegūstot sensitīvus datus (Cloudflare, n.d.). Šajā bakalaura darbā tiek salīdzināts tradicionāls mašīnmācīšanās algoritms (Gradient Boosting Classifier) ar uzlabotiem valodas modeļiem, konkrēti ChatGPT, izvērtējot to spēju efektīvi atklāt pikšķerēšanas vietnes. Tika izstrādāts Python algoritms, kas izmanto mašīnmācīšanās metodes, lai novērtētu tādus parametrus kā URL struktūru, domēna atribūtus un satura īpašības. Gradient Boosting Classifier tika salīdzināts ar dažādiem ChatGPT promptu dizainiem, lai izmērītu abu pieeju efektivitāti. Rezultāti liecina, ka Gradient Boosting Classifier nodrošina līdzsvarotu veiktspēju attiecībā uz precizitāti, atsaukšanu un precīzitāti, savukārt ChatGPT efektivitāte mainījās atkarībā no promptu specifikas – iezīmējot kompromisu starp pikšķerēšanas mēģinājumu identificēšanu un kļūdainu pozitīvu rezultātu samazināšanu. Šis pētījums sniedz ieskatu pikšķerēšanas atklāšanas metodoloģijās un uzsver hibrīdveida pieeju potenciālos ieguvumus, apvienojot tradicionālo mašīnmācīšanos ar uzlabotiem valodas modeļiem. Pētījumā norādīti arī ierobežojumi, piemēram, datu reprezentativitāte, statisko atribūtu izmantošana, mērogojamības jautājumi un straujā pikšķerēšanas taktiku evolūcija, kas norāda uz turpmāko uzlabojumu un izpētes virzieniem. |
