Research indexJournal article
МЕТОДИ МАШИННОГО ТА ГЛИБОКОГО НАВЧАННЯ ДЛЯ ВИЯВЛЕННЯ ШКІДЛИВИХ URL-АДРЕС: СУЧАСНИЙ СТАН ТА ПЕРСПЕКТИВИ РОЗВИТКУ
Лесик
Application Mathematics and Informatics1 Jan 2026Open access
NobleIDark:/48914/w1/20261105/D7CB114FDOI10.30970/vam.2026.36.14064
МЕТОДИ МАШИННОГО ТА ГЛИБОКОГО НАВЧАННЯ ДЛЯ ВИЯВЛЕННЯ ШКІДЛИВИХ URL-АДРЕС: СУЧАСНИЙ СТАН ТА ПЕРСПЕКТИВИ РОЗВИТКУ
Лесик · Application Mathematics and Informatics · 2026
NobleIDark:/48914/w1/20261105/D7CB114FDOI10.30970/vam.2026.36.14064
Free to read at the publisher
You can read the abstract here, or the full text at the publisher.
Abstract
У статті проведено систематичний огляд сучасних наукових публікацій, присвячених проблематиці виявлення шкідливих URL-адрес за допомогою технологій штучного інтелекту. Проаналізовано еволюцію підходів: від застарілих методів чорних списків та евристичних правил до високоефективних моделей машинного та глибокого навчання. У роботі детально класифіковано ознаки (лексичні, хостові, контентні та зовнішні), які є основою для навчання сучасних класифікаторів, та оцінено їхній вплив на точність детекції. Особливу увагу приділено аналізу новітніх трендів, зокрема застосуванню архітектур трансформерів та великих мовних моделей. На основі проведеного аналізу літератури визначено перспективні вектори подальших досліджень, а саме розробку адаптивних моделей для автоматичного формування кореляційних правил та динамічного зважування ознак у реальному часі.