تشخیص فیشینگ با استفاده از دسته بندی مبتنی بر وزن دهی به ویژگی ها

امروزه با توجه به رشد سریع اینترنت, کاربران اولویت خرید خودشان را از روش های سنتی به سمت تجارت الکترونیکی تغییر می دهند. با استفاده از ساختار ناشناس اینترنت, مهاجمان تکنیک های جدیدی مانند فیشینگ, فریب دادن قربانیان با استفاده از وب سایت های دروغین تعیین کرده اند تا اطلاعات حساس خود را مانند شناسه حساب ، نام کاربری ، رمزهای عبور و غیره جمع آوری کنند. درک قانونی بودن یا فیشینگ بودن صفحه وب اینترنتی به دلیل ساختار آن بسیار چالش برانگیز می باشد. عمده پژوهش های مختلف در این حوزه با روش های دسته بندی در داده کاوی انجام شده است. در این مقاله نیز از چند روش دسته بندی ر وی یک مجموعه داده که شامل ویژگی های مختلفی از وب سایت ها می باشد، استفاده شده است. هدف اصلی از این مقاله بررسی استفاده از این ویژگی های موجود در مجموعه داده در روش های دسته بندی می باشد. برای این منظور روش های دسته بندی کیسه ای، تقویتی و پشته ای و یادگیری عمیق استفاده شده است. در روش های دسته بندی کیسه ای و تقویتی از مدل دسته بندی درخت تصمیم و در روش دسته بندی پشته ای از مدل های دسته بندی درخت تصمیم، روش k نزدیک ترین همسایه و روش بیز روی مجموعه داده رامی اجرا شده است. روش های مورد بررسی در محیط نرم افزار رپیدماینر شبیه سازی شده است. برای مقایسه و ارزیابی روش های مورد بررسی از معیارهای دقت، صحت و فراخوانی استفاده شده است. نتایج حاصل از این بررسی نشان دهنده این است که دقت روش یادگیری عمیق با استفاه از معیار وزن دهی همبستگی از بقیه روش ها بهتر می باشد.

Keywords:

تشخیص فیشینگ , یادگیری ماشین , دسته بندی , انتخاب ویژگی