کاهش شکاف معنایی در تشخیص وب سایت های فیشینگ مبتنی بر ماشین یادگیری سریع با هسته غیرخطی

فیشینگ نوعی تقلب برای بدست آوردن اطلاعات حساس کاربران می باشد. مکانیسم های مختلفی برای فریب قربانیان برای هدایت به سایت های فیشینگ مورد استفاده قرار می گیرد . اگرچه راه حل های ضد فیشینگ بسیاری مطرح شده است ، با این حال فیشرها هنوز هم به فریب قربانیان ادامه می دهند . در این پژوهش دادگانی شامل 2000 صفحه که نیمی از آنها فیشینگ می باشند ، ایجاد شده است . ویژگی متعددی از هر صفحه برای توصیف نمونه ها بدست آمده است که نقش تعیین کننده ای در بهبود دقت تشخیص صفحات فیشینگ و نرمال دارد . همچنین از آنجایی که روش طبقه بندی در کاهش شکاف معنایی نقش تعیین کننده ای دارد ، از ماشین یادگیری سریع (ELM) برای یادگیری تمایز بین صفحات استفاده شده است . نتایج آزمایش های تجربی نشان دهنده افزایش دقت با این روش یادگیری مبتنی بر هسته RBF نسبت به دیگر روش های یادگیری در پژوهش های این حوزه می باشد .

Keywords:

فیشینگ , یادگیری ماشین , ماشین یادگیری سریع