مهشید صادقی باجگیران - کارشناسی ارشد نرم افزار , موسسه آموزش عالی اشراق بجنورد، بجنورد، ایران
فرهنگ پدیداران مقدم - استاد یار گروه کامپیوتر موسسه آموزش عالی دانشگاه اشراق بجنورد، بجنورد، ایران
احسان جعفری - استاد یار گروه کامپیوتر موسسه آموزش عالی دانشگاه اشراق بجنورد، بجنورد، ایران

در حملات فیشینگ یک سایت جعلی از روی سایت اصلی جعل شده که ظاهر بسیار شبیه به سایت اصلی دارد. فیشر یا سارق آنلاین برای هدایت کاربران به این سایتها، معمولا لینکهای جعلی را در ایمیل قرار داده و برای قربانیان خود ارسال نموده و با روشهای مهندسی اجتماعی سعی در فریب کاربران و مجاب نمودن آنها برای کلیک روی لینک های جعلی دارد. حملت فیشینگ زیان مالی قابل توجهای دارند و بیشتر حملات روی بانکها و درگاه های مالی متمرکز است. روشهای یادگیری ماشین یک روش موثر برای تشخیص حملات فیشینگ است اما این مشروط به انتخاب ویژگی بهینه است. انتخاب ویژگی باعث میشود فقط ویژگیهای مهم به عنوان ورودی یادگیری در نظر گرفته شوند و خطای تشخیص حملات فیشینگ کاهش داده شود. در روش پیشنهادی برای کاهش دادن خطای تشخیص حملات فیشینگ یک طبقه بندی کننده شبکه عصبی مصنوعی چند لایه استفاده شده که فاز انتخاب ویژگی آن با الگوریتم بهینه سازی شیرمورچه انجام می-شود. ارزیابی و آزمایشات روی مجموعه داده Rami که مرتبط با فیشینگ است نشان میدهد روش پیشنهادی دارای دقتی در حدود%۹۸.۵۳ است و نسبت به شبکه عصبی مصنوعی چند لایه خطای کمتری دارد. روش پیشنهادی در تشخیص حملات فیشینگ از روشهای یادگیری BPNN، SVM، NB، C۴.۵، RF و kNN با مکانیزم انتخاب ویژگی توسط الگوریتم PSO دقت بیشتری دارد.

حملات فیشینگ، انتخاب ویژگی، الگوریتم بهینه سازی شیر مورچه، صفحات جعلی، لینکهای جعلی