بهبود عملکرد سیستمهای تشخیص حملات فیشینگ مبتنی بر هم افزایی شبکه عصبی و الگوریتم علی بابا و چهل دزد

یکی از حملات سایبری، حملات فیشینگ است که در سالهای اخیر بهسرعت افزایش یافتهاند. مهاجمان فیشینگ، کاربران را با وبسایتهای تقلبی فریب میدهند و کاربران را به ارائه اطلاعات محرمانه در یک وبسایت فیشینگ ترغیب میکنند. تعریف ۱ روشهای قوی، کارآمد و بهروز برای اکتشاف فیشینگ ضروری است. استفاده از یادگیری ماشین برای آموزش سیستمی که پیامهای فیشینگ را تشخیص میدهد، برای افزایش سطح امنیت در برابر حملات سایبری ضروری است. با استفاده از یافتن وزن و بایاسهای شبکه عصبی از طریق الگوریتم علی بابا و چهل دزد میتوان صفحات فیشینگ را با دقت بالایی شناسایی کرد. در روش پیشنهادی برای دستهبندی و تشخیص حملات فیشینگ از شبکه عصبی پرسپترون چند لایه استفاده میشود. وزنهای شبکه عصبی پرسپترون چند لایه از طریق الگوریتم علی بابا و چهل دزد پیدا میشوند. نکته مهم، انتخاب روشی است که تابع هزینه با آن محاسبه شود کهشامل 'MSE'، 'RMSE' و 'Accuracy' هستند. شبیهسازی روش پیشنهادی از طریق نرم افزار متلب انجام شده است. در مجموعه داده، ویژگیهای مختلف مربوط به وبسایتهای قانونی و فیشی را شناسایی کرده و ۱۳۵۳ وبسایت مختلف از منابع مختلف جمع آوری شده است. نتایج روش پیشنهادی با طرح پایه از نظر دقت، صحت، F۱_Score و منحنی AUC-ROC مقایسه میشوند. مطابق با نتایج به دست آمده، دقت روش پیشنهادی نسبت به روش LR به میزان ۴.۹۱ درصد، نسبت به روش ماشین بردار پشتیبان به میزان ۵.۷ درصد، نسبت به روش K نزدیکترین همسایه به میزان ۳.۷۲ درصد، نسبت به روش AdaBoost به میزان ۹.۰۳ درصد، نسبت به روش پرسپترون چند لایه به میزان ۳.۵۳ درصد، نسبت به روش J۴۸ به میزان ۲.۴۶ درصد و نسبت به روش جنگل تصادفی به میزان ۰.۷۴ درصد بهبود داشته است. همچنین روش پیشنهادی نسبت به روشهای ترکیبی الگوریتمهای فراابتکاری و شبکه عصبی نیز بهبود داشته است . دقت روش پیشنهادی نسبت به روش ANN - EPO به میزان ۱.۳ درصد و همچنین نسبت به روش ANN - SSA به میزان ۱.۴۱ درصد بهبود داشته است.

Keywords:

حملات سایبری , حملات فیشینگ , یادگیری ماشین , شبکه عصبی پرسپترون چند لایه , الگوریتم علی بابا و چهل دزد