Publications
2024
1.
Blanco-Medina, Pablo; Carofilis-Vasco, Andrés; Fidalgo, Eduardo; Alegre, Enrique
Clasificación de capturas de smishing con aprendizaje profundo e IRIS Artículo de revista
En: Jornadas de Automática, no 45, 2024.
Resumen | Enlaces | BibTeX | Etiquetas: Apoyo a Operadores Humanos, Aprendizaje Profundo, Automatización para la Ayuda Internacional, Redes Sociales, Seguridad
@article{blanco-medina_clasificacion_2024,
title = {Clasificación de capturas de smishing con aprendizaje profundo e IRIS},
author = {Pablo Blanco-Medina and Andrés Carofilis-Vasco and Eduardo Fidalgo and Enrique Alegre},
url = {https://revistas.udc.gal/index.php/JA_CEA/article/view/10904},
year = {2024},
date = {2024-01-01},
journal = {Jornadas de Automática},
number = {45},
abstract = {El Smishing es una variante del Phishing que usa mensajes de texto y smartphones para realizar actividades maliciosas. Los equipos de respuesta ante emergencias informáticas pueden beneficiarse de una herramienta para clasificar capturas de pantalla de smishing antes de extraer su contenido. Se compararon Redes Neuronales Convolucionales y Vision Transformers para clasificar estas capturas en dos categorías: texto dividido en líneas y texto unido. El conjunto de datos IRIS-244, con 244 capturas de smishing, se utilizó en el estudio, encontrando que la arquitectura Xception logró el mejor rendimiento con una precisión del 78.36%.},
keywords = {Apoyo a Operadores Humanos, Aprendizaje Profundo, Automatización para la Ayuda Internacional, Redes Sociales, Seguridad},
pubstate = {published},
tppubtype = {article}
}
El Smishing es una variante del Phishing que usa mensajes de texto y smartphones para realizar actividades maliciosas. Los equipos de respuesta ante emergencias informáticas pueden beneficiarse de una herramienta para clasificar capturas de pantalla de smishing antes de extraer su contenido. Se compararon Redes Neuronales Convolucionales y Vision Transformers para clasificar estas capturas en dos categorías: texto dividido en líneas y texto unido. El conjunto de datos IRIS-244, con 244 capturas de smishing, se utilizó en el estudio, encontrando que la arquitectura Xception logró el mejor rendimiento con una precisión del 78.36%.
2.
Blanco-Medina, Pablo; Carofilis, Andrés; Fidalgo, Eduardo; Alegre, Enrique
Preprocesado de imagen y OCR para mejorar deteccion de smishing Artículo de revista
En: Jornadas de Automática, no 45, 2024.
Resumen | Enlaces | BibTeX | Etiquetas: Apoyo a Operadores Humanos, Aprendizaje Profundo, Redes Sociales, Seguridad, Sistemas de Control y Automatización para la Ayuda Internacional
@article{blanco-medina_preprocesado_2024,
title = {Preprocesado de imagen y OCR para mejorar deteccion de smishing},
author = {Pablo Blanco-Medina and Andrés Carofilis and Eduardo Fidalgo and Enrique Alegre},
url = {https://revistas.udc.gal/index.php/JA_CEA/article/view/10955},
year = {2024},
date = {2024-01-01},
journal = {Jornadas de Automática},
number = {45},
abstract = {La globalización de las tecnologías de comunicación ha facilitado el aumento de las estafas por phishing, en particular a través de SMS fraudulentos conocidos como Smishing, que suplantan a compañías para robar datos o realizar acciones no autorizadas. Este trabajo propone una estrategia para extraer automáticamente URLs de capturas de pantalla de Smishing, combinando técnicas de visión artificial y mecanismos de detección de URL. Evaluado en 117 capturas de pantalla con 121 URLs, se obtuvo una precisión del 61.16% en la extracción de URLs sospechosas.},
keywords = {Apoyo a Operadores Humanos, Aprendizaje Profundo, Redes Sociales, Seguridad, Sistemas de Control y Automatización para la Ayuda Internacional},
pubstate = {published},
tppubtype = {article}
}
La globalización de las tecnologías de comunicación ha facilitado el aumento de las estafas por phishing, en particular a través de SMS fraudulentos conocidos como Smishing, que suplantan a compañías para robar datos o realizar acciones no autorizadas. Este trabajo propone una estrategia para extraer automáticamente URLs de capturas de pantalla de Smishing, combinando técnicas de visión artificial y mecanismos de detección de URL. Evaluado en 117 capturas de pantalla con 121 URLs, se obtuvo una precisión del 61.16% en la extracción de URLs sospechosas.