Фишинговые атаки на веб-сайты — это тип кибератаки, в ходе которой злоумышленники создают мошеннические веб-сайты, имитирующие законные платформы, такие как социальные сети, с целью обмануть ничего не подозревающих пользователей и заставить их разгласить конфиденциальную информацию. Это включает в себя пароли, данные кредитных карт, имена пользователей и другие персональные данные. Эти фишинговые веб-сайты выглядят аутентично и часто используют различные методы, такие как подмена URL-адресов, социальная инженерия и фишинг по электронной почте или текстовым сообщениям, чтобы заманить жертв раскрыть свою конфиденциальную информацию. Веб-приложения становятся все более сложными, и их трудно идентифицировать с первого взгляда, особенно когда они используют методы шифрования и обфускации. Чтобы эффективно обнаруживать и предотвращать загрузку фишинговых веб-приложений на сервер в режиме реального времени, необходимо разработать машинное обучение. В дополнение к анализу алгоритмов машинного обучения для выявления атак на основе веб-приложений, исследование калибрует свежие анализы путем выполнения алгоритмов машинного обучения и подтверждения результатов. В исследовании используются уникальные и категоризированные результаты из набора данных машинного обучения. Согласно результатам, полученным в результате экспериментального и сравнительного анализа применяемых алгоритмов классификации, метод случайного леса продемонстрировала высочайшую точность, достигнув  показателя 97%, за ней следуют модель дерева решений с показателем 94% и экстремальный градиентный бустинг (XGBoost).