Ce projet de fin de licence combine des caractéristiques d'URL (longueur, sous-domaines, caractères trompeurs) et des indices du contenu (formulaires de mot de passe, liens externes). Le modèle est un gradient boosting entraîné en Python, puis converti pour s'exécuter localement dans une extension de navigateur. Aucune donnée de navigation ne quitte le poste. J'ai appris à arbitrer entre détection et confort d'usage : trop d'alertes et l'utilisateur finit par les ignorer.
Les campagnes d'hameçonnage imitent des pages de connexion familières. Les listes noires réagissent avec retard face aux domaines récemment créés.
Sur un jeu de test constitué de pages publiques connues, le modèle détecte la grande majorité des cas avec peu de faux positifs. Les limites face aux pages très soignées sont documentées.
Métriques, logs et alertes réunis dans un tableau de bord, pour voir les incidents avant vos utilisateurs.
Métriques, logs et alertes réunis dans un tableau de bord, pour voir les incidents avant vos utilisateurs.
Un ensemble de machines virtuelles prêtes à l'emploi pour pratiquer l'audit et la détection en salle de TP.
Une relecture méthodique avant déploiement, avec un rapport classé par gravité.
