مقایسه عملکرد الگوریتم های Apriori و FP-Growth در کاوش قوانین انجمنی برای تشخیص وب سایت های فیشینگ با استفاده از مجموعه داده UCI

حملات فیشینگ با ایجاد وب سایت های جعلی، اطلاعات حساس کاربران را سرقت می کنند و ضررهای مالی سنگینی به بار می آورند. مقاله بر مقایسه الگوریتم های Apriori و FP-Growth در کاوش قوانین انجمنی بر مجموعه داده UCI تمرکز دارد. نتایج نشان می دهد FP-Growth سریع تر و کارآمدتر است، با زمان اجرا کمتر و مصرف حافظه پایین تر. پیشنهاد مدل های هیبریدی برای بهبود تشخیص لایو فیشینگ. حملات فیشینگ یکی از تهدیدهای اصلی سایبری هستند که با تقلید از سایت های قانونی، اطلاعات کاربران را هدف قرار می دهند. این مقاله به بررسی و مقایسه الگوریتم های Apriori و FP-Growth برای پیش بینی تشخیص فیشینگ بر اساس مجموعه داده UCI می پردازد، که شامل بیش از ۱۱ هزار نمونه با ۳۰ ویژگی است. بررسی کارهای مرتبط نشان دهنده بهبودهایی مانند FCBA و IAC برای افزایش دقت و سرعت است. پیش زمینه الگوریتم ها بر پایه اصل تولید کاندید برای Apriori و ساختار درخت برای FP-Growth است. روش پیشنهادی مقایسه این الگوریتم ها را پیشنهاد می کند، و نتایج آزمایش ها برتری FP-Growth در زمان اجرا و کارایی را تایید می کند.

Keywords:

فیشینگ , قوانین انجمنی , Apriori , FP-Growth , UCI