AQRACE: QR-КОДТАРДАҒЫ ЗИЯНДЫ URL-МЕКЕНЖАЙЛАРДЫ НАҚТЫ УАҚЫТ РЕЖИМІНДЕ ҚАУІПСІЗДІКТІ БАҒАЛАУ ҮШІН МАШИНАЛЫҚ ОҚЫТУ НЕГІЗІНДЕ АНЫҚТАУ

Жылдам жауап беру (Quick Response, QR) кодтарының кеңінен қолданылуы QR-кодтарға негізделген фишинг, зиянды қайта бағыттау және зиянды бағдарламаларды тарату қаупін арттырды, өйткені пайдаланушылар QR-кодты сканерлеу алдында оның бағыттайтын мекенжайын тікелей тексере алмайды. Осы зерттеуде пайдаланушы URL-мекенжайға өтпес бұрын QR-кодқа енгізілген URL-мекенжайларды талдайтын, машиналық оқытуға негізделген QR-код қауіпсіздігіне арналған aQRace қосымшасы әзірленді. Зерттеу URL-мекенжай белгілерін бөліп алуды, машиналық оқыту модельдерін салыстырмалы бағалауды және оларды жұмыс істейтін жүйеге біріктіруді қамтиды. Жіктеу үшін URL-мекенжайлардың құрылымдық, лингвистикалық, техникалықжәне кеңейтілген сипаттамалары алынды. Бақыланатын машиналық оқытудың төрт алгоритмі – XGBoost, Random Forest, Decision Tree және Logistic Regression – 7000 қауіпсіз және 7000 зиянды үлгіден тұратын, жалпы саны 14 000 URL-мекенжайды қамтитын теңгерімді деректер жиынтығында оқытылып, бағаланды. Модельдердің өнімділігі accuracy, precision, recall және F1-score көрсеткіштері бойынша салыстырылды. XGBoost ең жоғары 84% accuracy және 0,80 precision мәндерін көрсетті, ал Random Forest ең жоғары 0,95 recall мәніне қол жеткізді. Екі модель де 0,84 F1-score нәтижесін көрсетті. Жалпы өнімділік көрсеткіштерінің үйлесімділігіне байланысты XGBoost жүйеге енгізу үшін таңдалып, Flutter негізіндегі мобильді интерфейс пен Flask негізіндегі бұлттық серверлік бөліктен тұратын клиент-серверлік қосымшаға біріктірілді. Қосымша QR-код кескіндерін жүктеуді және камера арқылы сканерлеуді қолдайды, сондай-ақ пайдаланушы мақсатты мекенжайға өтпес бұрын URL-мекенжайды өңдеу, белгілерді бөліп алу, жіктеу және қауіп туралы ескерту функцияларын орындайды. Қауіпсіз және зиянды QR-кодтардың үлгілік жиынтығымен жүргізілген функционалдық тестілеу анықтау үдерісінің толық жұмыс істейтінін растады. Нәтижелер URL-мекенжай белгілеріне негізделген дәстүрлі машиналық оқыту әдістерінің пайдаланушы мақсатты мекенжайға өтпес бұрын QR-код қауіпсіздігін бағалауға мүмкіндік беретінін және күрделілігі артып келе жатқан терең оқыту тәсілдеріне практикалық балама ұсына алатынын көрсетті.

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