PhD
PhD
Бакалавр
B. Comp. Science
PhD, факультет компьютерных наук
PhD
Faculty of Science and Technology
PhD, факультет науки и технологий
PhD
Faculty of Science and Technology
Широкое распространение кодов быстрого реагирования (Quick Response, QR) увеличило риск QRфишинга, вредоносной переадресации и распространения вредоносного программного обеспечения, поскольку пользователи не могут непосредственно проверить адрес назначения до сканирования QR-кода. В данном исследовании разработано приложение aQRace для обеспечения безопасности QR-кодов на основе машинного обучения, которое анализирует встроенные URL-адреса до перехода пользователя по соответствующей ссылке. Исследование объединяет извлечение признаков URL-адресов, сравнительную оценку моделей машинного обучения и их интеграцию в функционирующую систему. Для классификации были извлечены структурные, лингвистические, технические и расширенные характеристики URL-адресов. Четыре алгоритма машинного обучения с учителем – XGBoost, Random Forest, Decision Tree и Logistic Regression – были обучены и оценены на сбалансированном наборе данных, содержащем 14 000 URL-адресов, из которых 7000 являлись безопасными и 7000 – вредоносными. Производительность моделей сравнивалась по показателям accuracy, precision, recall и F1-score. XGBoost продемонстрировал наивысшую accuracy, равную 84%, и precision 0,80, тогда как Random Forest показал наивысший recall, равный 0,95. Обе модели достигли значения F1-score 0,84. На основе совокупности показателей производительности XGBoost был выбран для внедрения и интегрирован в клиент-серверное приложение, состоящее из мобильного интерфейса на Flutter и облачной серверной части на Flask. Приложение поддерживает загрузку изображений QR-кодов и сканирование с помощью камеры, а также выполняет обработку URL-адреса, извлечение признаков, классификацию и предупреждение пользователя до перехода по целевому адресу. Функциональное тестирование на репрезентативных безопасных и вредоносных QR-кодах подтвердило работоспособность полного процесса обнаружения угроз. Полученные результаты показывают, что традиционные методы машинного обучения на основе признаков URL-адресов могут использоваться для оценки безопасности QR-кодов до перехода пользователя по ссылке, обеспечивая практическую альтернативу все более сложным подходам на основе глубокого обучения.
The widespread use of Quick Response (QR) codes has increased exposure to QR-based phishing, malicious redirection, and malware distribution because users cannot readily inspect the destination before scanning. This study develops aQRace, a machine-learning-based QR code security application that analyses embedded Universal Resource Locators (URLs) before users access their destinations. The study combines URL-based feature extraction, comparative machine-learning evaluation, and operational system integration. URL characteristics covering structural, linguistic, technical, and advanced properties were extracted for classification. Four supervised machine-learning algorithms–XGBoost, Random Forest, Decision Tree, and Logistic Regression–were trained and evaluated using a balanced dataset of 14,000 URLs comprising 7,000 safe and 7,000 malicious samples. Model performance was compared using accuracy, precision, recall, and F1-score. XGBoost achieved the highest accuracy of 84% and precision of 0.80, whereas Random Forest achieved the highest recall of 0.95. Both models achieved an F1 Score of 0.84. XGBoost was selected for deployment based on its overall performance profile and integrated into a client-server application comprising a Flutter mobile frontend and Flask cloud backend. The application supports QR code image uploads and camera-based scanning, and performs URL processing, feature extraction, classification, and user warnings before destination access. Functional testing with representative safe and malicious QR codes confirmed the operation of the complete detection workflow. The findings demonstrate that conventional machine learning using URL-based features can support pre-access QR code security assessment while providing an operational alternative to increasingly complex deep learning approaches.
The authors declare that there are no conflicts of interest present.