O Impacto da Inteligência Artificial na Detecção de Phishing: Análise Comparativa e Proposição de Heurísticas Complementares

Resumo

Ataques de phishing representam a principal porta de entrada para comprometimentos cibernéticos em ambientes corporativos, com índices crescentes impulsionados pelo uso de modelos de linguagem generativos (LLMs) na produção de conteúdo fraudulento. Este estudo compara experimentalmente duas categorias de abordagens automáticas de detecção: algoritmos tradicionais de Machine Learning, representados por Random Forest e XGBoost, e LLMs generativos, representados por ChatGPT, Gemini e DeepSeek, avaliados sobre o dataset público Phishing Websites Detection, disponível no Kaggle, composto por 11.430 amostras balanceadas. Os modelos de ML foram avaliados sobre 2.286 amostras de teste pelas métricas de acurácia, precisão, recall e F1-Score, com validação cruzada de 5 dobras. O XGBoost obteve acurácia de 96,63%, F1-Score de 96,65% e AUC de 0,9936, superando o Random Forest em todas as métricas. Entre os LLMs, avaliados sobre subconjunto de 20 URLs via prompt padronizado em abordagem zero-shot, o ChatGPT atingiu 100% de acurácia, enquanto Gemini e DeepSeek registraram recall de 70%, falhando nos casos em que o domínio base pertencia a plataformas legítimas utilizadas para hospedar conteúdo malicioso. A partir desses padrões de falha, propõe-se um conjunto de cinco heurísticas complementares orientadas à identificação de domínios hospedeiros suspeitos, substituição de caracteres em nomes de domínio, entropia anormal de caminhos de URL e ausência de indexação e tráfego web. Os resultados indicam que abordagens híbridas, combinando classificadores de alto desempenho com heurísticas contextuais, apresentam potencial superior frente a métodos isolados na detecção de ataques sofisticados gerados por IA.