سجاد منطقی - دانشگاه فنی و حرفه ای آموزشکده فنی پسران واحد یاسوج
مجید محمدپور - باشگاه پژوهشگران و نخبگان، دانشگاه آزاد اسلامی، واحد یاسوج
زکیه سادات بزرگواری - معاونت فناوری اطلاعات، وزارت آموزش و پرورش
احمد نقی زاده بای - معاونت فناوری اطلاعات وزارت امور اقتصاد و دارایی

ایمیل فیشینگ یکی از مسایل عمده دنیای امروزی وب می باشد که سبب به بارآمدن زیان های مالی زیادی برای سازمان ها و کاربران می گردد. یک حمله فیشینگ به وسیله ارسال ایمیلی شروع شده که به نظر این ایمیل از یک سازمان معتبری ارسال شده است تا بتواند کاربران را ترغیب به کلیک بر روی لینک داخل ایمیل کند. این ایمیل یک کانالی برای لینک های فیشینگ می باشد، زیرا بسیاری از این حملات به وسیله ملاقات یک لینک موجود در ایمیل آغاز می شود. پژوهش های زیادی در زمینه کشف فیشینگ در ایمیل توسط محققان صورت گرفته است. پژوهشگران نشان داده اند که یکی از روش های بالقوه برای کشف فیشینگ در ایمیل استفاده از روش های رده بندی می باشد. استفاده از رده بندی و ویژگی های داده ها در مرحله آموزش به خوبی سیستم های پیش گیری یا رده بند را مورد توجه همگان قرار داده است. مشکل عمده زمان آموزش و عدم توجه به گستره ویژگی ها نیاز به توسعه یا بهبود مدل را ایجاب می کند. استفاده از تکنیک های انتخاب ویژگی در ترکیب با الگوریتم SVM به منظور ایجاد مدل جدیدی برای افزایش سرعت کشف فیشینگ و انتخاب یک تابع ترکیبی هسته جدید برای کاهش نرخ اعلان خطا و در نتیجه کارایی بالاتر از ویژگی های روش پیشنهادی است. در این مقاله برای افزایش کارایی ماشین بردار پشتیبان در تشخیص فیشینگ، تیوری مجموعه های راف به منظور انتخاب ویژگی به کار برده شده است. ازمایش و ارزیابی مدل ارایه شده بر روی مجموعه داده های NSL-LDD که نسخه اصلاح شده KDD-CUP99، انجام گردید. نتایج تجربی حاکی از آن است که مدل پیشنهادی عملکرد قابل توجهی در افزایش دقت و بازخوانی تشخیص فیشینگ و کاهش نرخ اعلان خطا داشته و قادر به ارایه تشخیص های دقیق تری نسبت به مدل های پایه خود می باشد.

فیشینگ ایمیل، رده بند SVM، تیوری مجموع راف