| Resumen: | O smishing, uma forma dissimulada de ataque cibernético que combina mensagens de SMS com técnicas de phishing, representa uma ameaça em crescimento para indivíduos e organizações. Neste artigo, compilamos uma coleção de conhecimentos necessários para uma boa compreensão do problema em si e de algumas de suas possíveis soluções. Além disso, realizamos uma análise comparativa de dois dos mais modernos algoritmos de Inteligência Artificial (IA) para avaliar sua eficácia na detecção de tentativas de smishing em um conjunto de dados diversificado de mensagens de smishing. Exploramos modelos populares de aprendizado de máquina, incluindo KNN, florestas aleatórias, máquinas de vetor de suporte, XGBoost e LightGBM. Nossa pesquisa destaca as forças e fraquezas de cada algoritmo em termos de precisão, recall e eficiência computacional, fornecendo informações valiosas para aprimorar os sistemas de detecção de smishing.
Smishing, a deceptive form of cyber attack that combines SMS messages with phishing techniques, represents a growing threat to individuals and organizations. In this article, we compile a collection of necessary knowledge for a good understanding of the problem itself and some of its possible solutions. Additionally, we conduct a comparative analysis of two of the most modern Artificial Intelligence (AI) algorithms to evaluate their effectiveness in detecting smishing attempts in a diverse dataset of smishing messages. We explore popular machine learning models, including KNN, random forests, support vector machines, XGBoost, and LightGBM. Our research highlights the strengths and weaknesses of each algorithm in terms of accuracy, recall, and computational efficiency, providing valuable insights to enhance smishing detection systems. |
