Banca de DEFESA: HERNANY SILVEIRA ROCHA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : HERNANY SILVEIRA ROCHA
DATA : 22/09/2026
HORA: 16:00
LOCAL: https://teams.microsoft.com/meet/253242044268165?p=VmOLryV3yxkVpJzw8P
TÍTULO:

HOOF-STACK-PUD: ARCABOUÇO HETEROGÊNEO DE META-APRENDIZADO EMPILHADO COM PREDIÇÕES FORA DA DOBRA PARA DETECÇÃO DE URLs DE PHISHING

PALAVRAS-CHAVES:

Detecção de phishing, Detecção de URLs maliciosas, Generalização empilhada, Saturação de benchmark, Características de URL e HTML, Complexidade de URL, Robustez adversarial, Conjuntos de dados de phishing.

PÁGINAS: 117
RESUMO:

Ataques de phishing seguem explorando Uniform Resource Locators (URLs) maliciosas como vetor escalável e de baixo custo, o que motivou o desenvolvimento de detectores baseados em aprendizado de máquina e em aprendizado profundo. A literatura da área reporta com frequência valores muito elevados nos benchmarks de detecção, mas esses valores são difíceis de interpretar quando a engenharia de atributos torna os conjuntos de dados quase separáveis, pois podem refletir saturação do benchmark em vez de ganho arquitetural genuíno. A questão é crítica para detectores baseados em empilhamento, cuja justificativa repousa sobre a existência de erro residual passível de correção por evidência complementar. Este trabalho apresenta o HOOFStack-PUD, sigla de Heterogeneous Out-of-Fold Stacked Meta-Learning Framework for Phishing URL Defense, arcabouço heterogêneo de meta-aprendizado empilhado com predições fora da dobra, concebido para avaliar quando a combinação de modelos tabulares e lexicais de URL melhora a detecção além de aprendizes isolados fortes. A avaliação percorreu três benchmarks de grande porte, com espaços de atributos e procedimentos de coleta distintos: PhiUSIIL, com 235.795 URLs; StealthPhisher, com 336.749 URLs; e HybridPhisher, conjunto construído no âmbito desta pesquisa, com 221.360 URLs. Ao longo de execuções repetidas, os resultados revelaram três regimes. No PhiUSIIL, o melhor meta-modelo mostrou-se estatisticamente indistinguível da linha de base tabular mais forte, o que indica saturação do benchmark. No StealthPhisher, o empilhamento produziu ganho estatisticamente sustentado, porém pequeno. No HybridPhisher, em que os modelos isolados deixam erro residual mais amplo, o meta-aprendiz LightGBM apresentou a melhoria mais clara, com aumento de 0,00616 em medida F1 sobre a melhor linha de base tabular e de 0,01015 sobre a melhor linha de base lexical, em sementes correspondentes. Análises complementares com linhas de base tabulares robustas, perfilamento de eficiência, blocos de características de URL e de HTML, contribuição dos descritores URLC e Domain Similarity e teste de estresse adversarial mostraram que o empilhamento é mais útil quando as famílias de modelos fornecem evidência complementar. Esses achados sustentam uma avaliação cautelosa dos detectores empilhados de phishing, fundada na saturação do benchmark, na complementaridade entre características, na estabilidade estatística, na eficiência e na robustez.

MEMBROS DA BANCA:
Interno - ***.575.601-** - DANIEL ALVES DA SILVA - UnB
Presidente - ***.673.083-** - JOAO PAULO JAVIDI DA COSTA - NÃO INFORMADO
Externo à Instituição - KEVIN HERMAN MURARO GULARTE - UnB
Interno - ***.747.148-** - LAERTE PEOTTA DE MELO - NÃO INFORMADO