Work

Аналіз методів захисту від фішинг-атаки BRATA

Year: 2025
Type: article
Abstract: Проблеми інформатизації: тринадцята міжнародна науково-технічна конференція 91 АНАЛІЗ МЕТОДІВ ЗАХИСТУ ВІД ФІШИНГ-АТАКИ BRATA Логінова А.O., В'юхiн Д.О.Харківський національний університет радіоелектроніки, Харків, Україна У сучасних умовах, коли кількість мобільних користувачів та обсяг переданих даних стрімко зростають, зловмисники активно використовують вразливості у популярних застосунках для реалізації фішингових атак [1, 2].Це створює додаткові ризики для фінансових установ і кінцевих користувачів, оскільки атака може відбутися без їхньої активної участі.Прикладом є BRATA (Brazilian Remote Access Tool for Android), яке використовувало критичну вразливість віддаленого виконання коду (RCE) CVE-2019-3568 у WhatsApp та у подальшому інтегрувало інші функції зловмисного контролю над пристроями [3].Метою дослідження є аналіз використання CVE-2019-3568 у рамках атак BRATA та оцінка ефективності методів захисту шляхом моніторингу VoIPтрафіку і системних журналів, а також визначення можливостей прогнозування подібних атак.Вразливість CVE-2019-3568 у VoIP-стеку WhatsApp являла собою переповнення буфера, що дозволяло віддалене виконання коду через спеціально сформовані RTCP-пакети.Вона охоплювала кілька платформ, включаючи Android, iOS, Windows Phone та Tizen.За даними NVD, її рівень небезпеки становив 9.8 (CVSS 3.x, критичний) та 7.5 (CVSS 2.0, високий) [4].Проведені дослідження підтвердили, що аналіз часових рядів є ефективним для вивчення динаміки фішингових атак.Виявлена наявність довготривалої пам'яті у поведінці атак відкриває можливість прогнозування пікових періодів їх активності.Встановлено, що середнє добове зростання кількості підтверджених атак становить 3-5%, тоді як у фазах підвищеної активності сплески сягали понад 20% від середнього рівня.Такі результати свідчать про циклічність та кореляцію у часових інтервалах і створюють підґрунтя для побудови адекватних прогнозних моделей.На основі цих висновків вводяться практичні заходи протидії: своєчасне оновлення ПЗ до захищених версій та застосування систем аналізу VoIPтрафіку із журналами подій.Сучасні наукові підходи демонструють ефективність поєднання методів аналізу трафіку з алгоритмами машинного навчання для створення багаторівневих систем захисту.Щоб зменшити навантаження на сервери, інференс організують каскадно: легкі правила/моделі працюють на всьому потоці, а ресурсоємні CNN або XGBoost застосовуються лише до підозрілих подій (орієнтовно 5-15% у звичайному режимі та 30-40% під час піків завдяки автоскейлінгу).Такий підхід зберігає точність понад 99% і знижує рівень хибнопозитивних
Language: Ukrainian
Open Access status: green
OpenAlex ID: W7200442575
FWCI:
Cites:
Cited by:
Related to: 10