Two-Stage malicious URL detection architecture: A next-generation threat recognition and classification approach

Durmuş Özkan Şahin; Sercan Demirci; Muhammet Abdullah Şahin; Nuri Can Acar; Hamit Burak Can Kodal

Makale detayları

Two-Stage malicious URL detection architecture: A next-generation threat recognition and classification approach

Yazarlar:

Durmuş Özkan Şahin | Sercan Demirci | Muhammet Abdullah Şahin | Nuri Can Acar | Hamit Burak Can Kodal

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Makine Öğrenme (Diğer) | Yazılım ve Uygulama Güvenliği

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1498-1508

Belge Tipi:

Makale

Yayın Tarihi:

10/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001360285

pISSN:

2564-6605

Anahtar kelimeler:

Özet:

 The increasing prevalence of online threats has made the detection and classification of malicious URLs a critical research topic. This study aims to evaluate and compare the performance of different machine learning algorithms combined with feature selection methods for detecting malicious URLs and determining their attack types. Three different datasets were used in the study. The first dataset, ISCX-2016, contains 79 distinct features. The same 79 features were extracted for each URL in the other two raw URL datasets. In the modeling process, the first phase focused on accurately classifying malicious URLs, while the second phase compared the effectiveness of algorithms in determining attack types. The Random Forest algorithm, when applied without feature selection and evaluated across all features, achieved the highest performance in both binary classification 97 accuracy and multi-class classification 98 accuracy. These findings serve as a valuable guide for the development of malicious URL detection systems and provide significant contributions to the literature.

 The increasing prevalence of online threats has made the detection and classification of malicious URLs a critical research topic. This study aims to evaluate and compare the performance of different machine learning algorithms combined with feature selection methods for detecting malicious URLs and determining their attack types. Three different datasets were used in the study. The first dataset, ISCX-2016, contains 79 distinct features. The same 79 features were extracted for each URL in the other two raw URL datasets. In the modeling process, the first phase focused on accurately classifying malicious URLs, while the second phase compared the effectiveness of algorithms in determining attack types. The Random Forest algorithm, when applied without feature selection and evaluated across all features, achieved the highest performance in both binary classification 97 accuracy and multi-class classification 98 accuracy. These findings serve as a valuable guide for the development of malicious URL detection systems and provide significant contributions to the literature.

 The increasing prevalence of online threats has made the detection and classification of malicious URLs a critical research topic. This study aims to evaluate and compare the performance of different machine learning algorithms combined with feature selection methods for detecting malicious URLs and determining their attack types. Three different datasets were used in the study. The first dataset, ISCX-2016, contains 79 distinct features. The same 79 features were extracted for each URL in the other two raw URL datasets. In the modeling process, the first phase focused on accurately classifying malicious URLs, while the second phase compared the effectiveness of algorithms in determining attack types. The Random Forest algorithm, when applied without feature selection and evaluated across all features, achieved the highest performance in both binary classification 97 accuracy and multi-class classification 98 accuracy. These findings serve as a valuable guide for the development of malicious URL detection systems and provide significant contributions to the literature.

 Günümüzde çevrimiçi tehditlerin artması, zararlı URLlerin tespit edilmesini ve zarar türlerine göre sınıflandırılmasını önemli bir araştırma konusu haline getirmiştir. Bu çalışma, zararlı URLlerin tespit edilmesi ve zarar türlerinin belirlenmesi amacıyla farklı makine öğrenimi algoritmaları ile özellik seçme yöntemlerinin kombinasyonları üzerine değerlendirme yaparak performanslarını karşılaştırmayı hedeflemektedir. Çalışmada üç farklı veri seti kullanılmıştır. Bunlardan birincisi ISCX-2016 veri seti olup 79 farklı özellik içermektedir. Ham URLlerden oluşan diğer iki veri setinde bulunan her bir URL için aynı 79 özellik çıkarılmıştır. Modelleme sürecinde, ilk aşamada zararlı URLlerin doğru bir şekilde sınıflandırılmasına odaklanılmış, ikinci aşamada ise zarar türlerinin belirlenmesinde kullanılan algoritmaların etkinliği karşılaştırılmıştır. Özellik seçimi uygulanmadan kullanılan Rastgele Orman algoritması, tüm özellikler üzerinden değerlendirildiğinde, hem ikili sınıflandırmada 97 doğruluk hem de çok sınıflı sınıflandırmada 98 doğruluk en yüksek performansa ulaşmıştır. Bu bulgular, zararlı URL tespit sistemlerinin geliştirilmesi açısından önemli bir rehber niteliği taşımakta ve literatüre değerli katkılar sunmaktadır.

Makale detayları

Two-Stage malicious URL detection architecture: A next-generation threat recognition and classification approach

Yazarlar:

Durmuş Özkan Şahin | Sercan Demirci | Muhammet Abdullah Şahin | Nuri Can Acar | Hamit Burak Can Kodal

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Makine Öğrenme (Diğer) | Yazılım ve Uygulama Güvenliği

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1498-1508

Belge Tipi:

Makale

Yayın Tarihi:

10/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001360285

pISSN:

2564-6605

Cybersecurity

Feature Extraction

Machine Learning Algorithms

Malicious URL Detection

Malware Detection

URL ClassificationBilgisayar Güvenliği

Kötü Amaçlı Yazılım Tespiti

Makine Öğrenimi Algoritmaları

Özellik Çıkartma

URL Sınıflandırma

Zararlı URL Tespiti

Sayı

Makale detayları

Yazarlar: Durmuş Özkan Şahin | Sercan Demirci | Muhammet Abdullah Şahin | Nuri Can Acar | Hamit Burak Can Kodal

Yayıncı: Nigde Omer Halisdemir University

Ana Başlıklar: Makine Öğrenme (Diğer) | Yazılım ve Uygulama Güvenliği

Dergi: Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1498-1508

Belge Tipi: Makale

Yayın Tarihi: 10/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001360285

pISSN: 2564-6605

Sayı

Yazarlar:

Durmuş Özkan Şahin | Sercan Demirci | Muhammet Abdullah Şahin | Nuri Can Acar | Hamit Burak Can Kodal

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Makine Öğrenme (Diğer) | Yazılım ve Uygulama Güvenliği

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1498-1508

Belge Tipi:

Makale

Yayın Tarihi:

10/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001360285

pISSN:

2564-6605