A Computer Vision Approach to Visual Fraud Detection in Phishing Websites Using YOLOv8

{"tags": ["Phishing Detection", "YOLOv8", "Computer Vision", "Cybersecurity", "Fraud Detection", "Image Classification"], "risks": ["Độ trễ và chi phí tài nguyên phát sinh từ việc phải render toàn bộ trang web (headless browser) trước khi đưa ảnh chụp màn hình vào mô hình suy luận (100ms).", "Nguy cơ bị tấn công đối kháng (adversarial attacks) hoặc kỹ thuật ngụy trang thị giác nhằm đánh lừa khả năng phân loại của mô hình YOLOv8.", "Độ chính xác 92% đồng nghĩa vẫn còn 8% sai sót (dương tính giả hoặc âm tính giả), bắt buộc phải phối hợp thêm các lớp phòng thủ khác.", "Khả năng thích ứng chưa được kiểm chứng đối với các thương hiệu hoặc phong cách thiết kế giao diện hoàn toàn mới nằm ngoài tập dữ liệu huấn luyện."], "category": "Research", "entities": ["YOLOv8"], "summary_vi": "Nghiên cứu trình bày phương pháp tiếp cận thị giác máy tính sử dụng mô hình mạng nơ-ron tích chập YOLOv8 để phát hiện website lừa đảo (phishing) dựa trên phân tích ảnh chụp màn hình toàn trang. Thay vì chỉ phụ thuộc vào URL, mã nguồn HTML hay thông tin tên miền vốn dễ bị kẻ tấn công làm mờ hoặc thay đổi, mô hình đánh giá trực quan dựa trên bố cục, vị trí logo, bảng màu và cấu trúc biểu mẫu đăng nhập tương tự cách mắt người quan sát. Hệ thống đạt độ chính xác 92% trên tập kiểm thử độc lập với tốc độ xử lý khoảng 100 ms mỗi ảnh, đồng thời giảm 11% tỷ lệ dương tính giả nhờ kỹ thuật tăng cường dữ liệu nhắm vào ánh sáng, độ nén và tỷ lệ co giãn. Giải pháp được định vị như một lớp phòng thủ bổ trợ phối hợp với các phương thức phòng thủ URL và nội dung truyền thống.", "key_changes": ["Sử dụng mạng nơ-ron tích chập YOLOv8 để phân loại ảnh chụp màn hình website (phishing hoặc hợp pháp) dựa trên thị giác thay vì trích xuất văn bản hay mã nguồn HTML.", "Nhận diện dựa trên các yếu tố trực quan như bố cục tổng thể, vị trí đặt logo, bảng màu và cấu trúc form đăng nhập tương tự mắt người.", "Áp dụng kỹ thuật tăng cường dữ liệu (data augmentation) tập trung vào biến thiên ánh sáng, độ nén và tỷ lệ co giãn, giúp giảm 11% tỷ lệ dương tính giả (false-positive rate).", "Đạt độ chính xác phân loại 92% trên tập kiểm thử độc lập với thời gian xử lý khoảng 100 mili-giây cho mỗi ảnh chụp màn hình.", "Định vị mô hình là lớp phòng thủ thị giác bổ trợ hoạt động song song với các giải pháp kiểm tra URL và nội dung HTML truyền thống."], "sub_category": "Computer Vision & Cybersecurity", "novelty_score": 72, "business_score": 80, "research_score": 78, "why_it_matters": "Các kỹ thuật lừa đảo hiện đại dễ dàng làm mờ mã nguồn HTML hoặc liên tục xoay vòng tên miền để qua mặt bộ lọc truyền thống, nhưng bắt buộc phải duy trì giao diện thị giác giống hệt thương hiệu thật để lừa người dùng. Việc áp dụng mô hình thị giác tốc độ cao như YOLOv8 (~100ms) tạo ra một lớp xác minh độc lập dựa trên chính những gì nạn nhân nhìn thấy, mang lại cơ chế phòng thủ chiều sâu (defense-in-depth) hiệu quả mà không bị đánh lừa bởi các thủ thuật mã hóa hay chuyển hướng URL.", "developer_score": 80, "importance_score": 78, "possible_use_cases": ["Tích hợp vào tiện ích mở rộng trình duyệt (browser extension) để quét trực quan trang đăng nhập trước khi người dùng gửi thông tin nhạy cảm.", "Hệ thống giám sát bảo vệ thương hiệu (brand protection) tự động rà quét diện rộng để phát hiện các website giả mạo thương hiệu doanh nghiệp.", "Bổ sung lớp phòng thủ thị giác độc lập vào Secure Web Gateway hoặc hệ thống lọc email lừa đảo (email security gateway).", "Hỗ trợ trung tâm điều hành an ninh mạng (SOC) tự động hóa quy trình phân loại và thẩm định các báo cáo phishing từ người dùng."], "actionability_score": 82}