PHISHING DE ZERO-DAY: DETECTAR LO DESCONOCIDO
Palabras clave:
ataques zero-day, Phishing, identificación de anomalíasResumen
El phishing es un delito informático que utiliza correos electrónicos y sitios web fraudulentos con el fin de obtener información personal de las víctimas, como nombres de usuario, contraseñas y datos financieros. En los últimos años, uno de los mayores desafíos en ciberseguridad han sido los ataques de tipo “zero-day”, los cuales se caracterizan por no contar con registros o patrones previos, por lo cual no aparecen en listas negras ni bases de datos de amenazas conocidas. 9Esta situación dificulta su detección por medio de métodos tradicionales. Ante este problema, los ciberdelincuentes continuamente crean nuevas técnicas de phishing para evadir los sistemas de seguridad existentes.
En este sentido, la presente investigación analiza cómo la inteligencia artificial puede con tribuir a la detección de ataques de phishing “zero-day” a través del análisis de comportamiento e identificación de anomalías, permitiendo así detectar posibles intentos malicio
sos incluso sin información previa conocida.
Descargas
Referencias
[1]
OpenAI. (2023). GPT-4 technical report.
arXiv. https://arxiv.org/pdf/2303.08774
[2] Altwaijry N, A.-T. I. (2024). Advancing Phis
hing Email Detection: A Comparative Stu
dy of Deep Learning Models. Obtenido
de https://pmc.ncbi.nlm.nih.gov/articles/
PMC11013960/
[3] APWG. (2023). Phishing Activity Trends
Report. . Obtenido de https://apwg.org
[4] Benavides, E. F.-A. (2020). Caracteriza
ción de los ataques de phishing y técni
cas para mitigarlos. Ataques: una revi
sión sistemática de la literatura. Ciencia y
Tecnología,. Obtenido de https://revistas.
uteq.edu.ec/index.php/cyt/article/down
load/357/407
[5] D. L. Cook, V. K. (2009). “Phishwish: a sim
ple and stateless phishing filter,” Security
and Communication Networks. Obteni
do de https://onlinelibrary.wiley.com/doi/
pdf/10.1002/sec.45
[6] dam Oest, Y. S.-J. (2019). PhishFarm: Un
marco escalable para medir la eficacia.
Técnicas de evasión contra listas negras de
phishing de navegadores. Actasdel Sim
posio IEEE sobre Seguridad y Privacidad
(SP). Obtenido de https://www.ndss-sym
posium.org/wp-content/uploads/2019/02/
ndss2019posters_paper_13.pdf
[7] ENISA. (2023). Obtenido de https://www.
enisa.europa.eu/publications/enisa
threat-landscape-2023
[8] Fortinet. (2024). What is a Zero-Day Vul
nerability? Obtenido de https://www.for
tinet.com/resources/cyberglossary/zero
day
[9] Gupta., A. K. (2017). Phishing Detection:
Analysis of Visual Similarity. Obtenido de
https://scispace.com/pdf/phishing-detec
tion-analysis-of-visual-similarity-based
1c2pyscc70.pdf
[10] IBM. (2023). What is a Zero-Day Attack?
Obtenido de https://www.ibm.com/to
pics/zero-day
[11] Kaspersky. (s.f.). ¿Qué es un ataque de día
cero?. Kaspersky Resource Center. Ob
tenido de https://latam.kaspersky.com/
resource-center/definitions/zero-day-ex
ploit
[12] Mahmoud Khonji, Y. I. (20113). Phishing
Detection A Literature Survey. . Obtenido
de https://www.researchgate.net/publica
tion/256841808_Phishing_Detection_A_
Literature_Survey
[13] Mishra, A. &. (August de 2014). Hy
brid Solution to Detect and Filter Ze
ro-day Phishing Attacks. Obtenido de
https://www.researchgate.net/profile/
Brij-B-Gupta/publication/269335641_
Hybrid_Solution_to_Detect_and_Fil
ter_Zero-day_Phishing_Attacks/
links/5487309d0cf289302e2ed5c0/Hy
brid-Solution-to-Detect-and-Filter-Zero
day-Phishing-Attacks.pdf
[14] NIST. (2023). A Review of Machine Lear
ning-Based Zero-Day Attack Detec
tion: Challenges and Future Directions.
. Obtenido de https://www.nist.gov/pu
blications/review-machine-learning
based-zero-day-attack-detection-cha
llenges-and-future
[15] Seok-Jun Bu, S.-B. C. (June de 2021). Deep
Character-Level Anomaly Detection Ba
sed on a Convolutional Autoencoder for
Zero-Day Phishing URL Detection. Ob
tenido de https://www.mdpi.com/2079
9292/10/12/1492
[16] Souri, A. &. (2018). A state-of-the-art survey
of malware detection approaches using
data mining techniques. Obtenido de
https://link.springer.com/article/10.1186/
s13673-018-0125-x
[17] Srivastava A, G. B. (s.f.). A Recent Survey on
DDoS Attacks and Defense Mechanisms.
. Obtenido de https://www.researchgate.
net/publication/278696162_A_Recent_
Survey_on_DDoS_Attacks_and_Defense_
Mechanisms
[18] Steve Sheng, B. W. (2009). Un análisis em
pírico de las listas negras de phishing. En
el sextoConferencia sobre correo electró
nico y antispa. Obtenido de https://www.
researchgate.net/publication/228932769_
An_Empirical_Analysis_of_Phishing_
Blacklists
[19] Y, G. (2023). A Survey of Machine Lear
ning-Based Zero-Day Attack Detection:
Challenges and Future Directions. Com
put Commun. . Obtenido de https://pub
med.ncbi.nlm.nih.gov/36741076/
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Maira Geraldine Calderón Ramírez, Vianey Estefany Rivera Albornoz
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
