تحلیل صفحات وب برای تشخیص سرقت های فیشینگ با الگوریتم بهینه سازی خرگوش
Publish place: The ninth international Conference on Knowledge and Technology of Mechanical, Electrical Engineering and Computer Of Iran
Publish Year: 1402
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 40
This Paper With 24 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
DMECONF09_126
تاریخ نمایه سازی: 12 اردیبهشت 1403
Abstract:
حملات فیشینگ به نوعی حمله مبتنی بر فریب گفته میشود که در آن سارق، کاربران اینترنتی را به سمت سایت های جعلی هدایتمی کند. سایت های جعلی ظاهر بسیار شبیه به سایت های واقعی دارند و ازاین جهت به سادگی کاربران به آنها اعتماد کرده و اطلاعاتباارزش خود مانند نام کاربری و رمز عبور را در آن وارد می کنند. یک روش کاربردی برای تشخیص حملات فیشینگ، به کارگیریتکنیک های یادگیری ماشین است. برای کاهش دادن خطای تشخیص حملات فیشینگ در این مقاله یک رویکرد دومرحله ای ارائهمی شود. در مرحله اول با اسووتفاده از الگوریتم بهینه سازی خرگوش، ویژگی های مهم انتخاب شده و این ویژگی ها تحویل سه طبقه بندی XGBoost و RF ،MLP می شود تا در یادگیری گروهی با رای گیری، خطای تشخیص حملات فیشینگ را کاهش دهند. آزمایش های انجام شده در محیط متلب و در دو مجموعه داده UCI و Tan انجام شده است. آزمایش ها نشان می دهد روش پیشنهادی در مجموعه داده UCI داری دقت، حساسیت و صحتی به ترتیب برابر ۹۷.۸۲% ، ۹۷.۵۱%،۹۷.۶۲% است. اگر از مجموعه داده Tan استفاده شودانگاه دقت، حساسیت و صحت روش پیشنهادی در تشخیص حملات فیشینگ به ترتیب برابر ۹۷.۹۱%،۹۷.۸۸%،۹۷.۵۲% است. روش پیشنهادی در تشخیص حملات فیشینگ نسبت به روش های یادگیری مانند RF,MLP ، RNN و BiLSTM ،XGBoost دارای دقت بیشتری در تشخیص حملات بوده است.
Keywords:
Authors
معصومه شهبا
دانشجوی کارشناسی ارشد گروه کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
احمد حیدری شریف آباد
استادیار گروه کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران
محمدرضا ملاحسینی اردکانی
استادیار گروه کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران