تحلیل صفحات وب برای تشخیص سرقت های فیشینگ با الگوریتم بهینه سازی خرگوش

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:

حملات فیشینگ , یادگیری گروهی , انتخاب ویژگی , الگوریتم بهینه سازی خرگوش