Loading repository data…

Deteccion-Phishing-Machine-Learning GitHub Details, Stars and Alternatives | OpenRepoFinder

scano-0 / repository

Deteccion-Phishing-Machine-Learning

Sistema de detección de phishing mediante ML (RF, SVM, XGBoost). Incluye un estudio de obsolescencia de patrones de ataque y una comparativa de algoritmos sobre un motor de extracción híbrido (léxico/HTML). Validado con muestras de 2026 para evaluar robustez y generalización.

View Repository on GitHub ↗

REPOSITORY OVERVIEW

Live repository statistics

★ 2Stars

⑂ 0Forks

◯ 0Open issues

◉ 2Watchers

50/100

OPENREPOHUB HEALTH SIGNAL

Mixed signals

A transparent discovery signal based on current public GitHub metadata.

Recent activity35% weight

Community adoption25% weight

Maintenance state20% weight

100

License clarity10% weight

Project information10% weight

This score does not audit code, security, maintainers, documentation quality, or suitability. Verify the repository and its current documentation before adoption.

README preview

Detección de Phishing mediante Machine Learning

Este repositorio contiene la investigación y el desarrollo técnico de mi Trabajo de Fin de Grado (TFG) para la titulación de Ingeniería Informática. El proyecto desarrolla un sistema de clasificación de URLs maliciosas utilizando un motor de extracción híbrido y comparando arquitecturas de aprendizaje supervisado.

Memoria Final del TFG

La memoria completa del Trabajo de Fin de Grado puede consultarse en el siguiente enlace:

Memoria final del TFG - Detección automática de phishing mediante Machine Learning

Estructura del Repositorio

notebooks/:
- Estudio_de_obsolescencia.ipynb: Análisis del impacto temporal en los patrones de ataque (Datasets 2018 vs 2024).
- Estudio_de_algoritmos.ipynb: Evaluación y optimización de modelos (Random Forest, SVM y XGBoost).
data/:
- raw/: Datasets originales. Nota: El dataset de 2024 se encuentra comprimido en .zip debido a las limitaciones de tamaño de GitHub.
- processed/: Características extraídas. El archivo vivas_phi_cache_FULL.zip contiene el dataset de 2024 procesado con 234.000 muestras procedentes de PhiUSIIL, categorizadas según su estado (Online y Offline).

Diccionario de Datos (Etiquetado)

El etiquetado usado en todos los datasets procesados fue el siguiente:

0: Phishing
1: Legítimo

Citas y Fuentes de Datos

Este estudio se basa en los siguientes conjuntos de datos públicos:

PhiUSIIL Phishing Dataset (https://doi.org/10.1016/j.cose.2023.103545): Dataset contemporáneo utilizado para el entrenamiento y modelado principal.
Dataset 2018 (https://github.com/ebubekirbbr/pdd/tree/master/input): Conjunto de datos antiguo utilizado para el estudio de obsolescencia de patrones de ataque.
PhishTank (https://www.phishtank.com): Muestras activas de 2026 obtenidas para la validación externa del sistema.

Tecnologías Utilizadas

Lenguaje: Python 3.10+
Librerías: scikit-learn, xgboost, pandas, numpy, matplotlib, seaborn.

Autor

Sergio Cano San José
Grado en Ingeniería Informática
Trabajo de Fin de Grado