بررسی روشهای تشخیص فیشینگ با استفاده از یادگیری ماشین

فیشینگ یک جرم سایبری است که شامل استفاده از ایمیل ها، پیام ها و وب سایت های جعلی برای سرقت اطلاعات حساس مانند رمز عبور، جزئیات کارت اعتباری و سایر داده های شخصی است. با رشد اینترنت و تراکنش های آنلاین، حملات فیشینگ به طور فزاینده ای پیچیده شده اند و شناسایی و اجتناب از آنها برای افراد دشوار شده است. از این رو پژوهشگران تلاش های زیادی برای شناسایی و مقابله با این گونه حملات داشته اند. تشخیص وب سایت های فیشینگ یکی از چالش های مهم امنیت سایبری محسوب می شود (۲۰۱۴, Khonji et al). تحقیقات اخیر نشان داده اند که روش های یادگیری ماشین می توانند در شناسایی اینگونه حملات موثر باشند (۲۰۲۱ Ali, ۲۰۱۷ Dutta). در میان رویکردهای مختلف یادگیری عمیق به دلیل توانایی در استخراج خودکار ویژگی ها، نتایج امیدوارکننده ای ارائه کرده است (۲۰۰۸, Yi et al). هدف این تحقیق، بررسی روش های شناسایی وب سایت فیشینگ با استفاده از الگوریتم های یادگیری ماشین می باشد. یادگیری ماشینی می تواند ابزار قدرتمندی در تشخیص وب سایت های فیشینگ باشد. با آموزش الگوریتم های یادگیری ماشین بر روی مجموعه داده بزرگی از وب سایت های قانونی و تقلبی، الگوریتم ها می توانند تمایز بین این دو را بیاموزند. با استفاده از یادگیری ماشین می توان سیستم های خودکاری برای تشخیص فیشینگ طراحی کرد که دقت بالایی دارند. روش های سنتی تشخیص فیشینگ عمدتا بر تحلیل ویژگی های استاتیک متکی بودند (۲۰۱۷, Jain & Gupta)، اما مطالعات جدیدتر نشان داده اند که ترکیب روش های مختلف یادگیری ماشین می تواند دقت تشخیص را بهبود بخشد (۲۰۰۲, Bhavani et al). به ویژه استفاده از معماری های ترکیبی مانند CNN-LSTM نتایج قابل توجهی در شناسایی وب سایت های مخرب داشته است (Alshingiti et al., ۲۰۲۳).

Keywords:

فیشینگ , الگوریتم های یادگیری ماشین , یادگیری عمیق , وب سایت فیشینگ , حملات فیشینگ