صبا ملک پوربجندی - دانش آموخته کارشناسی ارشد مدیریت فناوری اطلاعات، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران
محمدرضا تقوا - دانشیار، دانشکده مدیریت و حسابداری، گروه مدیریت صنعتی، دانشگاه علامه طباطبائی، تهران
پیام حنفی زاده - دانشیار، دانشکده مدیریت و حسابداری، گروه مدیریت صنعتی، دانشگاه علامه طباطبائی، تهران

با دسترسی آسان به اینترنت، بسیاری از کسب و کارها فعالیت های خود را در شبکه های وابسته به اینترنت انجام می دهند. اما هموره مخاطرات امنیتی از جمله حملات فیشینگ این کسب و کارها را تهدید می کنند. تعدد ویژگی های صفحات وب، منجر به استفاده از روش های انتخاب ویژگی و ترکیب آنها با روش های یادیگیر به منظور تشخیص فیشینگ شده است. عملکرد مناسب الگوریتم فرا ابتکاری پنگوئن در یافتن پاسخ بهینه، ایده اصلی این مقاله جهت بررسی نحوه عملکرد این الگوریتم در مسئله تشخیص فیشینگ بوده است. بنابراین از تریکب الگوریتم پنگوئن در فاز انتخاب ویژگی با شبکه عصبی مصنوعی در فاز تشخیص فیشینگ استفاده شده است. برای آموزش و ارزیایی روش پینشهادی از یک مجموعه داده با 11055 نمونه وبسایت های فیشینگ و عادی استفاده شده است. نتایج پیاده سازی در محیط متلب نشان می دهد با افزایش اندازه جمعیت و تعداد تکرار در الگوریتم بهینه سازی پنگوئن، مقدار متوسط تابع انتخاب ویژگی 69.57%، و شاخص RMSE حدود 24.56% کاهش یافته است. همچنین روش پیشنهادی در مقایسه با شبکه عصبی مصنوعی چند لایه حدود 29.16% خطای کمتر در تشخیص فیشینگ را نشان می دهد.

فیشینگ، انتخاب ویژگی، الگوریتم های فرا ابتکاری، روش های یادگیری ماشین