AQRACE: ОБНАРУЖЕНИЕ ВРЕДОНОСНЫХ URL-АДРЕСОВ В QR-КОДАХ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ БЕЗОПАСНОСТИ В РЕАЛЬНОМ ВРЕМЕНИ

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.

1. Alsawi, W., Ibrahim, D. M. QR Code-Based Access Control Systems: Architectural Taxonomy, Security Landscape, and Future Research Directions. International Journal of Advanced Computer Science and Applications, 17(4), (2026).

2. Njuguna, D., Ndia, J. Quick Response Code Security Attacks and Countermeasures: A Systematic Literature Review. Journal of Cybersecurity (2579-0072), 7(1), 1 (2025). https://doi.org/10.32604/ jcs.2025.059398

3. Trad, F., Chehab, A. Detecting quishing attacks with machine learning techniques through qr code analysis. IFIP International Conference on Artificial Intelligence Applications and Innovations, 194–206 (2026). https://doi.org/10.1007/978-3-032-30805-4_14

4. Vaithilingam, S., Shankar, S. a. M. Enhancing security in QR code technology using AI: Exploration and mitigation strategies. International Journal of Intelligence Science, 14(02), 49–57 (2024). https://doi.org/10.4236/ijis.2024.142003

5. Al-Zahrani, M. S., Wahsheh, H. A., Alsaade, F. W. Secure Real‐Time Artificial Intelligence System against Malicious QR Code Links. Security and Communication Networks, 2021(1), 5540670 (2021). https://doi.org/10.1155/2021/5540670

6. Sarkhi, M., Mishra, S. Detection of QR code-based cyberattacks using a lightweight deep learning model. Engineering, Technology & Applied Science Research, 14(4), 15209–15216 (2024). https://www.etasr.com/index.php/ETASR/article/view/7777/3803

7. Herlina, B., Soeparno, H. Machine learning model to improve classification performance in the process of detecting phishing URLs in QR codes. Journal of Theoretical and Applied Information Technology, 101(18), 5755–5765 (2023). http://www.jatit.org/volumes/Vol101No18/27Vol101No18.pdf

8. Pawar, A., Fatnani, C., Sonavane, R., Waghmare, R., Saoji, S. Secure qr code scanner to detect malicious url using machine learning. 2022 2nd Asian Conference on Innovation in Technology (ASIANCON), 1-8 (2022). https://doi.org/10.1109/ASIANCON55314.2022.9908759

9. Furqan, M., Katuk, N., Hartama, D. Multiclass Skin Lesion Classification Algorithm using AttentionBased Vision Transformer with Metadata Fusion. Journal of Applied Data Sciences, 7(1), 203–217 (2026). https://doi.org/10.47738/jads.v7i1.1017

10. Alsulami, A.-A., Al-Haija, Q.-A., Alturki, B., Yafoz, A., Alqahtani, A., Alsini, R., Binyamin, S.-S. Efficient Malicious QR Code Detection System Using an Advanced Deep Learning Approach. Computer Modeling in Engineering & Sciences, 145(1), 1117–1140 (2025). https://doi.org/10.32604/cmes.2025.070745

11. Tian, Y., Zhu, E. Incremental Phishing Defense Method Based on QR Code Decoding and Multimodal Deep Learning. Proceedings of the 2026 5th International Conference on Cryptography, Network Security and Communication Technology, 209–214 (2026). https://doi.org/10.1145/3802927.3802959

12. Fauzi, M. A., Yang, B., Hayati, Y. S., Setiawan, B. D., Sari, I. N., Bayona, J., Katuk, N., Dewi, D. A., Surasak, T. Hybrid GCN-LSTM for Privacy-Preserving Fall Detection in Human Pose-Based Elderly Monitoring Systems. Proceedings of the 14th International Conference on Advances in Information Technology, 1–8 (2026). https://doi.org/10.1145/3816713.3819508