Rafael Rabelo Nunes
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Rafael Rabelo Nunes has a total of 71 co-authors. Here are the top co-authors by number of shared publications:
- Aldery Silveira Júnior
Doutor em Transportes Universidade de Brasília UnB -Brasília 70910-900 DF CEP
6 shared publications - Edvan Gomes da Silva
Computer Science Departament,University of Brasilia,Brasília,Brazil; Laboratório de Riscos, Privacidade, Segurança da Informação e Gestão de Crises – Labrisk,University of Brasilia, Brasília, Brazil,Brasília,Brazil, Brazil
5 shared publications - Fernando Rocha Moreira
Professional Postgraduate Program in Electrical Engineering (PPEE), Department of Electrical Engineering, College of Technology, University of Brasília (UNB), Brasília 70910-900, Federal District, Brazil
4 shared publications - Laerte Peotta de Melo
Electrical Engineering Department, University of Brasilia (UnB), Brasília 70910-900, DF, Brazil
4 shared publications - Lucas Vinicius Andrade Ferreira
Electrical Engineering Department, University of Brasilia (UnB), Brasília 70910-900, DF, Brazil
4 shared publications - Carlos André de Melo Alves
Universidade de Brasília
3 shared publications
Latest Publications
- Open Access
- 3 October 2026
- Published by Fundacao Pedro Leopoldo - Revista Gestao and Tecnologia in Revista Gestão & Tecnologia
- Vol. 26 (3) , 185-218
Governança de Dados e Riscos de Privacidade na Assistência Estudantil: Evidências Empíricas em uma IFE
Objetivo: Analisar de forma multidimensional os riscos de privacidade associados ao tratamento de dados pessoais nos processos de assistência estudantil em uma Instituição Federal de Ensino (IFE). Metodologia/procedimentos metodológicos: Pesquisa aplicada de abordagem qualitativa e exploratória, com triangulação de dados por meio de análise documental, entrevistas semiestruturadas e grupo focal. A análise de conteúdo foi realizada com a técnica Bow Tie como núcleo analítico para modelagem causal. Originalidade/Relevância: O estudo preenche uma lacuna na literatura sobre a implementação da LGPD em IFEs, ao aplicar a técnica Bow Tie para análise causal e multidimensional de riscos de privacidade, integrando dimensões técnica-operacional, organizacional-governamental, jurídica-contratual e humana-cultural. Principais Resultados: Os riscos mostraram-se sistêmicos e multidimensionais. Para os titulares, verificam-se danos psicossociais e riscos de discriminação e estigmatização. Para a instituição, há exposição a sanções administrativas, litígios judiciais, danos reputacionais severos e sobrecarga operacional. Contribuições: Os resultados validam a técnica Bow Tie como instrumento analítico para examinar as inter-relações técnicas e sociais que afetam a privacidade, ao propor uma matriz de controles integrados e alinhada ao Programa de Privacidade e Segurança da Informação (PPSI). Conclui-se que a mitigação eficaz dos riscos exige uma governança coordenada nas quatro dimensões, reafirmando a privacidade como base da confiança no ambiente educacional digital. Palavras-chave: governança de privacidade, proteção de dados, conformidade regulatória
- 3 October 2026
- Published by Fundacao Pedro Leopoldo - Revista Gestao and Tecnologia in Revista Gestão & Tecnologia
- Vol. 26 (3) , 185-218
Open AccessGovernança de Dados e Riscos de Privacidade na Assistência Estudantil: Evidências Empíricas em uma IFE
Objetivo: Analisar de forma multidimensional os riscos de privacidade associados ao tratamento de dados pessoais nos processos de assistência estudantil em uma Instituição Federal de Ensino (IFE). Metodologia/procedimentos metodológicos: Pesquisa aplicada de abordagem qualitativa e exploratória, com triangulação de dados por meio de análise documental, entrevistas semiestruturadas e grupo focal. A análise de conteúdo foi realizada com a técnica Bow Tie como núcleo analítico para modelagem causal. Originalidade/Relevância: O estudo preenche uma lacuna na literatura sobre a implementação da LGPD em IFEs, ao aplicar a técnica Bow Tie para análise causal e multidimensional de riscos de privacidade, integrando dimensões técnica-operacional, organizacional-governamental, jurídica-contratual e humana-cultural. Principais Resultados: Os riscos mostraram-se sistêmicos e multidimensionais. Para os titulares, verificam-se danos psicossociais e riscos de discriminação e estigmatização. Para a instituição, há exposição a sanções administrativas, litígios judiciais, danos reputacionais severos e sobrecarga operacional. Contribuições: Os resultados validam a técnica Bow Tie como instrumento analítico para examinar as inter-relações técnicas e sociais que afetam a privacidade, ao propor uma matriz de controles integrados e alinhada ao Programa de Privacidade e Segurança da Informação (PPSI). Conclui-se que a mitigação eficaz dos riscos exige uma governança coordenada nas quatro dimensões, reafirmando a privacidade como base da confiança no ambiente educacional digital. Palavras-chave: governança de privacidade, proteção de dados, conformidade regulatória
- Open Access
- 20 September 2026
- Published by MDPI AG in Preprints.org
Threat Modeling for Security and Privacy in a Corporate Ecosystem Integrating Cloud-Based CRM and AI Analytics
The growing integration between cloud-based CRM platforms and AI-driven analytics services expands both operational benefits and the organizational attack surface, yet most published threat-modeling studies still validate STRIDE and LINDDUN in isolation, on synthetic or single-domain systems, without tracing findings through to standardized controls. This paper closes that gap by proposing an end-to-end, empirically validated methodological chain that combines Data Flow Diagrams, dual STRIDE/LINDDUN classification, OWASP Top 10:2025 prioritization, expert-panel refinement, and NIST SP 800-53 Rev. 5 control mapping, applied to a real production architecture in a large regulated organization integrating cloud CRM with AI analytics. Unlike prior work that applies a single framework or a generic reference architecture, this case study preserves full traceability from 28 mapped data flows to specific control codes, validated against nine security experts using a Delphi-inspired panel. The results reveal that threats concentrate disproportionately in federated authentication token channels and metadata catalogs, components that individually appear low-risk but structurally connect the ecosystem's highest-impact OWASP categories. This concentration pattern, not previously reported for CRM-AI integration architectures, indicates that authentication chains function as systemic single points of failure even when individual controls appear adequate. We argue this traceable, standards-aligned chain offers a replicable template for governance teams needing to justify control investments in similarly coupled cloud ecosystems, particularly under LGPD/GDPR compliance pressure.
- 20 September 2026
- Published by MDPI AG in Preprints.org
Open AccessThreat Modeling for Security and Privacy in a Corporate Ecosystem Integrating Cloud-Based CRM and AI Analytics
The growing integration between cloud-based CRM platforms and AI-driven analytics services expands both operational benefits and the organizational attack surface, yet most published threat-modeling studies still validate STRIDE and LINDDUN in isolation, on synthetic or single-domain systems, without tracing findings through to standardized controls. This paper closes that gap by proposing an end-to-end, empirically validated methodological chain that combines Data Flow Diagrams, dual STRIDE/LINDDUN classification, OWASP Top 10:2025 prioritization, expert-panel refinement, and NIST SP 800-53 Rev. 5 control mapping, applied to a real production architecture in a large regulated organization integrating cloud CRM with AI analytics. Unlike prior work that applies a single framework or a generic reference architecture, this case study preserves full traceability from 28 mapped data flows to specific control codes, validated against nine security experts using a Delphi-inspired panel. The results reveal that threats concentrate disproportionately in federated authentication token channels and metadata catalogs, components that individually appear low-risk but structurally connect the ecosystem's highest-impact OWASP categories. This concentration pattern, not previously reported for CRM-AI integration architectures, indicates that authentication chains function as systemic single points of failure even when individual controls appear adequate. We argue this traceable, standards-aligned chain offers a replicable template for governance teams needing to justify control investments in similarly coupled cloud ecosystems, particularly under LGPD/GDPR compliance pressure.
- Open Access
- 3 September 2026
- Published by Elsevier in SSRN Electronic Journal
Interpretable Machine Learning Reveals the Pore Morphology Drivers of Permeability in Carbonate Rocks
Understanding fluid transport properties in porous media is a critical challenge in geosciences, with 2D petrographic thin sections offering a readily accessible window into pore-network morphology. However, mapping 2D morphological features to 3D permeability using machine learning often results in opaque models that lack physical interpretability and struggle with class imbalance. This study presents an integrated, interpretable machine learning pipeline to identify the 2D morphological drivers of 3D permeability in carbonate rocks. Following pore extraction via HSV-space segmentation and dataset balancing through the Synthetic Minority Oversampling Technique (SMOTE), the Boruta algorithm was employed for robust, all-relevant feature selection. Random Forest and LightGBM classifiers trained on the selected descriptors achieved high predictive performance, with ROC-AUC scores exceeding 0.91. By leveraging SHapley Additive exPlanations (SHAP), we transition from pure prediction to physical interpretability, revealing that macroscopic permeability is predominantly governed by the homogeneity of the pore network rather than the central tendency of individual pore geometries. Specifically, high variability in pore elongation (Aspect Ratio~($c_v$)) and high area-weighted convexity (Convexity~($\mu_w$)) strongly drive predictions toward the non-permeable class. These findings provide a transparent, data-driven framework for petrophysical screening, demonstrating that interconnected, homogeneous pore assemblies are the primary geometric requirements for fluid flow in the carbonate formations studied.
- 3 September 2026
- Published by Elsevier in SSRN Electronic Journal
Open AccessInterpretable Machine Learning Reveals the Pore Morphology Drivers of Permeability in Carbonate Rocks
Understanding fluid transport properties in porous media is a critical challenge in geosciences, with 2D petrographic thin sections offering a readily accessible window into pore-network morphology. However, mapping 2D morphological features to 3D permeability using machine learning often results in opaque models that lack physical interpretability and struggle with class imbalance. This study presents an integrated, interpretable machine learning pipeline to identify the 2D morphological drivers of 3D permeability in carbonate rocks. Following pore extraction via HSV-space segmentation and dataset balancing through the Synthetic Minority Oversampling Technique (SMOTE), the Boruta algorithm was employed for robust, all-relevant feature selection. Random Forest and LightGBM classifiers trained on the selected descriptors achieved high predictive performance, with ROC-AUC scores exceeding 0.91. By leveraging SHapley Additive exPlanations (SHAP), we transition from pure prediction to physical interpretability, revealing that macroscopic permeability is predominantly governed by the homogeneity of the pore network rather than the central tendency of individual pore geometries. Specifically, high variability in pore elongation (Aspect Ratio~($c_v$)) and high area-weighted convexity (Convexity~($\mu_w$)) strongly drive predictions toward the non-permeable class. These findings provide a transparent, data-driven framework for petrophysical screening, demonstrating that interconnected, homogeneous pore assemblies are the primary geometric requirements for fluid flow in the carbonate formations studied.
- Open Access
- 21 July 2026
- Published by Elsevier in SSRN Electronic Journal
Interpretable Machine LearningReveals the Pore Morphology Drivers of Permeability in Carbonate Rocks
Understanding fluid transport properties in porous media is a critical challenge in geosciences, with 2D petrographic thin sections offering a readily accessible window into pore-network morphology. However, mapping 2D morphological features to 3D permeability using machine learning often results in opaque models that lack physical interpretability and struggle with class imbalance. This study presents an integrated, interpretable machine learning pipeline to identify the 2D morphological drivers of 3D permeability in carbonate rocks. Following pore extraction via HSV-space segmentation and dataset balancing through the Synthetic Minority Oversampling Technique (SMOTE), the Boruta algorithm was employed for robust, all-relevant feature selection. Random Forest and LightGBM classifiers trained on the selected descriptors achieved high predictive performance, with ROC-AUC scores exceeding 0.91. By leveraging SHapley Additive exPlanations (SHAP), we transition from pure prediction to physical interpretability, revealing that macroscopic permeability is predominantly governed by the homogeneity of the pore network rather than the central tendency of individual pore geometries. Specifically, high variability in pore elongation (Aspect Ratio~($c_v$)) and high area-weighted convexity (Convexity~($\mu_w$)) strongly drive predictions toward the non-permeable class. These findings provide a transparent, data-driven framework for petrophysical screening, demonstrating that interconnected, homogeneous pore assemblies are the primary geometric requirements for fluid flow in the carbonate formations studied.
- 21 July 2026
- Published by Elsevier in SSRN Electronic Journal
Open AccessInterpretable Machine LearningReveals the Pore Morphology Drivers of Permeability in Carbonate Rocks
Understanding fluid transport properties in porous media is a critical challenge in geosciences, with 2D petrographic thin sections offering a readily accessible window into pore-network morphology. However, mapping 2D morphological features to 3D permeability using machine learning often results in opaque models that lack physical interpretability and struggle with class imbalance. This study presents an integrated, interpretable machine learning pipeline to identify the 2D morphological drivers of 3D permeability in carbonate rocks. Following pore extraction via HSV-space segmentation and dataset balancing through the Synthetic Minority Oversampling Technique (SMOTE), the Boruta algorithm was employed for robust, all-relevant feature selection. Random Forest and LightGBM classifiers trained on the selected descriptors achieved high predictive performance, with ROC-AUC scores exceeding 0.91. By leveraging SHapley Additive exPlanations (SHAP), we transition from pure prediction to physical interpretability, revealing that macroscopic permeability is predominantly governed by the homogeneity of the pore network rather than the central tendency of individual pore geometries. Specifically, high variability in pore elongation (Aspect Ratio~($c_v$)) and high area-weighted convexity (Convexity~($\mu_w$)) strongly drive predictions toward the non-permeable class. These findings provide a transparent, data-driven framework for petrophysical screening, demonstrating that interconnected, homogeneous pore assemblies are the primary geometric requirements for fluid flow in the carbonate formations studied.
- Open Access
- 1 July 2026
- Published by Universidade Tecnologica Federal do Parana (UTFPR) in Revista Tecnologia e Sociedade
- Vol. 22 (69) , 157-178
Desafios da segurança cibernética: uma análise da administração pública brasileira
O cenário pós-pandemia intensificou os incidentes cibernéticos, exigindo uma gestão mais eficaz da segurança da informação na administração pública. Este estudo objetivou identificar os principais desafios na Gestão da Segurança Cibernética enfrentados pela administração pública brasileira, segundo a visão de gestores e especialistas no tema. A pesquisa caracteriza-se como aplicada, descritiva e exploratória, com abordagem qualitativa. A coleta de dados utilizou um questionário estruturado em nove construtos e trinta e cinco itens, abrangendo o universo de profissionais das esferas federal, estadual e municipal. O instrumento foi aplicado a 126 indivíduos, resultando em uma amostra final válida de 100 respondentes após o tratamento de dados incompletos ou não-respostas. A análise, realizada por meio de estatística descritiva, apontou desafios críticos como a burocracia nos processos de aquisição, a falta de padronização de processos e a urgência de mudanças culturais e estratégicas. O estudo contribui para o campo ao evidenciar o distanciamento entre as diretrizes normativas estratégicas e a realidade operacional das instituições, destacando o fator humano e a cultura organizacional como elementos fundamentais para a maturidade cibernética no setor público
- 1 July 2026
- Published by Universidade Tecnologica Federal do Parana (UTFPR) in Revista Tecnologia e Sociedade
- Vol. 22 (69) , 157-178
Open AccessDesafios da segurança cibernética: uma análise da administração pública brasileira
O cenário pós-pandemia intensificou os incidentes cibernéticos, exigindo uma gestão mais eficaz da segurança da informação na administração pública. Este estudo objetivou identificar os principais desafios na Gestão da Segurança Cibernética enfrentados pela administração pública brasileira, segundo a visão de gestores e especialistas no tema. A pesquisa caracteriza-se como aplicada, descritiva e exploratória, com abordagem qualitativa. A coleta de dados utilizou um questionário estruturado em nove construtos e trinta e cinco itens, abrangendo o universo de profissionais das esferas federal, estadual e municipal. O instrumento foi aplicado a 126 indivíduos, resultando em uma amostra final válida de 100 respondentes após o tratamento de dados incompletos ou não-respostas. A análise, realizada por meio de estatística descritiva, apontou desafios críticos como a burocracia nos processos de aquisição, a falta de padronização de processos e a urgência de mudanças culturais e estratégicas. O estudo contribui para o campo ao evidenciar o distanciamento entre as diretrizes normativas estratégicas e a realidade operacional das instituições, destacando o fator humano e a cultura organizacional como elementos fundamentais para a maturidade cibernética no setor público
- Open Access
- 22 June 2026
- Published by Elsevier in Computers & Security
- Vol. 170
Cybersecurity risks, DevSecOps challenges, and emerging security priorities: An empirical study across Brazilian organizations
- 22 June 2026
- Published by Elsevier in Computers & Security
- Vol. 170
Open AccessCybersecurity risks, DevSecOps challenges, and emerging security priorities: An empirical study across Brazilian organizations
- Open Access
- 31 December 2025
- Published by AISTI
- No. 60,p. 57-73
StopEmailSpoofing: uma solução para detecção de vulnerabilidade de domínios à ataques falsificação de e-mail
O e-mail permanece sendo o principal meio de comunicação contemporâneo, constituindo vetor frequente de ataques cibernéticos. Apesar da evolução dos sistemas de proteção, o fator humano continua sendo o elo mais fraco da segurança cibernética, sendo explorado por técnicas de engenharia social. Este trabalho apresenta a ferramenta de código aberto StopEmailSpoofing, desenvolvida para automatizar a detecção de vulnerabilidades de falsificação de e-mail em domínios. A ferramenta analisa todas as 295 combinações possíveis entre os protocolos SPF e DMARC, realizando consultas DNS para avaliar a suscetibilidade dos domínios. Diferentemente de soluções existentes, oferece cobertura completa dos protocolos de autenticação e sugere ações imediatas de correção. Uma validação foi realizada através de estudo de caso com instituições públicas de ensino superior brasileiras, demonstrando eficiência na identificação de falhas e contribuindo para o fortalecimento da resiliência das comunicações digitais organizacionais.
- 31 December 2025
- Published by AISTI
- No. 60,p. 57-73
Open AccessStopEmailSpoofing: uma solução para detecção de vulnerabilidade de domínios à ataques falsificação de e-mail
O e-mail permanece sendo o principal meio de comunicação contemporâneo, constituindo vetor frequente de ataques cibernéticos. Apesar da evolução dos sistemas de proteção, o fator humano continua sendo o elo mais fraco da segurança cibernética, sendo explorado por técnicas de engenharia social. Este trabalho apresenta a ferramenta de código aberto StopEmailSpoofing, desenvolvida para automatizar a detecção de vulnerabilidades de falsificação de e-mail em domínios. A ferramenta analisa todas as 295 combinações possíveis entre os protocolos SPF e DMARC, realizando consultas DNS para avaliar a suscetibilidade dos domínios. Diferentemente de soluções existentes, oferece cobertura completa dos protocolos de autenticação e sugere ações imediatas de correção. Uma validação foi realizada através de estudo de caso com instituições públicas de ensino superior brasileiras, demonstrando eficiência na identificação de falhas e contribuindo para o fortalecimento da resiliência das comunicações digitais organizacionais.
- 11 November 2025
- Published by Centro de Ensino Unificado de Brasilia in Revista Brasileira de Políticas Públicas
- Vol. 15 (2)
FATORES DE RISCO DECORRENTES DA APLICAÇÃO DO DIREITO FUNDAMENTAL À PROTEÇÃO DOS DADOS PESSOAIS E DA LGPD NA ATIVIDADE DE INTELIGÊNCIA DE ESTADO
As normas definidoras dos direitos e garantias fundamentais possuem aplicação imediata, razão pela qual o direito fundamental à proteção dos dados pessoais – previsto recentemente na Constituição Federal de 1988 – e, também, a Lei Geral de Proteção de Dados Pessoais (LGPD) incidem sobre as atividades de Inteligência de Estado, ainda que essa lei estabeleça expressamente que suas disposições não são aplicáveis ao tratamento de dados pessoais realizados para fins exclusivos de segurança do Estado. Este artigo objetiva identificar os possíveis fatores de risco para a Inteligência de Estado decorrentes dessa incidência, analisar suas consequências e propor medidas para mitigá-los. Para isso, foi realizada uma pesquisa aplicada, bibliográfica e documental, com objetivos explicativos, baseada na legislação, em artigos científicos, no direito comparado e em julgados do Supremo Tribunal Federal. Os principais resultados do trabalho consistem na identificação dos possíveis fatores de risco, na sua análise, na proposição de medidas para mitigá-los e na demonstração de que aquele direito fundamental pode ser limitado pela restrição constitucional do acesso a informações cujo sigilo seja imprescindível à segurança da sociedade e do Estado, para assegurar o êxito das atividades sigilosas do serviço de Inteligência brasileiro. O valor do trabalho consiste na proposição de sugestões para futuro anteprojeto de lei de proteção de dados pessoais para segurança do Estado, diante da ausência de lei específica sobre o assunto e da atualidade e relevância do tema para o desenvolvimento da atividade de Inteligência de Estado com a necessária observância do direito fundamental à proteção dos dados pessoais.
- 11 November 2025
- Published by Centro de Ensino Unificado de Brasilia in Revista Brasileira de Políticas Públicas
- Vol. 15 (2)
FATORES DE RISCO DECORRENTES DA APLICAÇÃO DO DIREITO FUNDAMENTAL À PROTEÇÃO DOS DADOS PESSOAIS E DA LGPD NA ATIVIDADE DE INTELIGÊNCIA DE ESTADO
As normas definidoras dos direitos e garantias fundamentais possuem aplicação imediata, razão pela qual o direito fundamental à proteção dos dados pessoais – previsto recentemente na Constituição Federal de 1988 – e, também, a Lei Geral de Proteção de Dados Pessoais (LGPD) incidem sobre as atividades de Inteligência de Estado, ainda que essa lei estabeleça expressamente que suas disposições não são aplicáveis ao tratamento de dados pessoais realizados para fins exclusivos de segurança do Estado. Este artigo objetiva identificar os possíveis fatores de risco para a Inteligência de Estado decorrentes dessa incidência, analisar suas consequências e propor medidas para mitigá-los. Para isso, foi realizada uma pesquisa aplicada, bibliográfica e documental, com objetivos explicativos, baseada na legislação, em artigos científicos, no direito comparado e em julgados do Supremo Tribunal Federal. Os principais resultados do trabalho consistem na identificação dos possíveis fatores de risco, na sua análise, na proposição de medidas para mitigá-los e na demonstração de que aquele direito fundamental pode ser limitado pela restrição constitucional do acesso a informações cujo sigilo seja imprescindível à segurança da sociedade e do Estado, para assegurar o êxito das atividades sigilosas do serviço de Inteligência brasileiro. O valor do trabalho consiste na proposição de sugestões para futuro anteprojeto de lei de proteção de dados pessoais para segurança do Estado, diante da ausência de lei específica sobre o assunto e da atualidade e relevância do tema para o desenvolvimento da atividade de Inteligência de Estado com a necessária observância do direito fundamental à proteção dos dados pessoais.
- Open Access
- 18 August 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Access
- Vol. 13, 145736-145753
Machine Learning for Early Detection of Phishing URLs in Parked Domains: An Approach Applied to a Financial Institution
Phishing attacks remain a critical threat in the digital era, exploiting social engineering tactics to compromise user trust and sensitive information, often resulting in financial loss and identity theft. These attacks typically exploit multiple communication channels to impersonate trusted entities, inducing users to click on and access malicious Resource Locations (URLs). Early detection of these URLs can considerably reduce the volume and impact of these attacks. This paper proposes a machine learning-based framework for early detection of phishing URLs, specifically addressing newly registered and parked domains. Using a curated dataset comprising 211,659 URLs obtained from real-time SSL (Secure Sockets Layer) certificate monitoring, popular domain listings, and phishing incident reports, the methods encompass data pre-processing, feature engineering, and model optimization. A Light Gradient Boosting Machine classifier achieved recall of 96.02% and accuracy of 97.28% on a balanced dataset, validated through 10-fold cross-validation. Additionally, feature selection techniques reduced model complexity while maintaining detection effectiveness, facilitating practical deployment. The proposed frameworks provide a versatile tool for phishing prevention and brand protection, demonstrating potential applicability in sectors such as banking and e-commerce. This work contributes to proactive cybersecurity practices addressing evolving threats within digital ecosystems.
- 18 August 2025
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Access
- Vol. 13, 145736-145753
Open AccessMachine Learning for Early Detection of Phishing URLs in Parked Domains: An Approach Applied to a Financial Institution
Phishing attacks remain a critical threat in the digital era, exploiting social engineering tactics to compromise user trust and sensitive information, often resulting in financial loss and identity theft. These attacks typically exploit multiple communication channels to impersonate trusted entities, inducing users to click on and access malicious Resource Locations (URLs). Early detection of these URLs can considerably reduce the volume and impact of these attacks. This paper proposes a machine learning-based framework for early detection of phishing URLs, specifically addressing newly registered and parked domains. Using a curated dataset comprising 211,659 URLs obtained from real-time SSL (Secure Sockets Layer) certificate monitoring, popular domain listings, and phishing incident reports, the methods encompass data pre-processing, feature engineering, and model optimization. A Light Gradient Boosting Machine classifier achieved recall of 96.02% and accuracy of 97.28% on a balanced dataset, validated through 10-fold cross-validation. Additionally, feature selection techniques reduced model complexity while maintaining detection effectiveness, facilitating practical deployment. The proposed frameworks provide a versatile tool for phishing prevention and brand protection, demonstrating potential applicability in sectors such as banking and e-commerce. This work contributes to proactive cybersecurity practices addressing evolving threats within digital ecosystems.
- Open Access
- 25 June 2025
- Published by Elsevier in Computers & Security
- Vol. 157
Enhancing cybersecurity in the judiciary: Integrating additional controls into the CIS framework
- 25 June 2025
- Published by Elsevier in Computers & Security
- Vol. 157
Open AccessEnhancing cybersecurity in the judiciary: Integrating additional controls into the CIS framework