février 2026 - février 2026February 2026 - February 2026terminécompleted
Anti-Phishing ML Engine
Détecteur de phishing par URL entraîné sur 247 000 entrées avec stacking d'ensemble et optimisation Bayésienne. Précision de 99.3%.
Stack technologique utiliséeTechnology stack used
PythonXGBoostscikit-learnOptunaHuggingFace
Rapport de Conception & DétailsDesign Report & Details
fr
Un classifieur de sécurité de pointe qui analyse les URLs web brutes pour en extraire des caractéristiques lexicales, structurelles et réseau profondes, et prédire les tentatives d’hameçonnage avec une fiabilité exceptionnelle.
Approche Technique
- Extraction de 34 Caractéristiques : Analyse lexicale (longueur, entropie de Shannon, sous-domaines), structurelle (mots-clés à risque, répertoires) et données réseau (WHOIS, SSL, Alexa).
- Architecture de Stacking d’Ensemble : Combine XGBoost, Random Forests et HistGradientBoosting sous un méta-classifieur de Régression Logistique.
- Optimisation Bayésienne : Utilisation d’Optuna pour maximiser le score F1 (0.99) et réduire à près de zéro les faux positifs.
- Vitesse d’Exécution : Intégration d’un cache local pour des temps de vérification extrêmement courts (< 10ms).
en
A state-of-the-art security classifier that parses raw web URLs into deep lexical, structural, and network-related features to accurately predict phishing attempts.
Technical Design
- 34 engineered features : Lexical statistics (entropy, domain length), structural analysis, and network metrics (WHOIS, SSL certificate validity).
- Stacking Ensemble Architecture : Pipes predictions from XGBoost, Random Forest, and HistGradientBoosting to a final Logistic Regression meta-model.
- Hyperparameter Search : Uses Optuna for Bayesian hyperparameter space tuning, reaching 99.3% accuracy and 0.99 F1-score.
- Ultra-low latency : Combined with an optimized local whitelist cache to evaluate targets in milliseconds.