مقاله کنفرانسی سال ۱۴۰۱ فارسی

افزایش دقت تشخیص حملات صفحات وب جعلی با الگوریتم هوش گروهیعروس دریایی و تکنیک های یادگیری ماشین

چکیده مقاله

در حملات فیشینگ، یک وبسایت جعلی به جای وبسایت اصلی بارگذاری می شود و اطلاعات کاربران را مورد سرقت قرار میدهد در حملات فیشینگ، از طریق ایمیل یا شبکه های اجتماعی لینک سایت های جعلی برای کاربران ارسال شده و از آن ها درخواست می شود که وارد سایت های جعلی شوند و اطلاعات باارزش خود را ناخواسته در اختیار دیگران قرار دهند حملات فیشینگ زیان قابل توجه ای به کاربران اینترنتی وارد می کند و اعتماد آن ها را به زیرساخت های تجارت الکترونیک مخدودش می کند یک روش برای تشخیص حملات فیشینگ استفاده از روش های یادگیری ماشین است روش های یادگیری ماشین می توانند حملات روز صفر یا حملات جدید را شناسایی کنند یک چالش روش های یادگیری ماشین برای تشخیص حملات فیشینگ عدم وجود فاز انتخاب ویژگی در آن ها است عدم بکارگیری انتخاب ویژگی در روش های یادگیری ماشین باعث می شود تا خطای طبقه بندی آن ها افزایش یابد در این مقاله برای کاهش دادن خطای تشخیص حملات فیشینگ از یک رویکرد دو مرحله ای با انتخاب ویژگی و رایگیری اکثریت استفاده می شود در روش پیشنهادی در فاز اول از الگوریتم بهینه سازی عروس دریایی برای انتخاب ویژگی استفاده می شود و در فاز دوم از چند روش طبقه بندی کننده برای کاهش دادن خطای تشخیص حملات فیشینگ استفاده می شود تجزیه و تحلیل در نرم افزار متلب نشان می دهد روش پیشنهادی در تشخیص حملات فیشینگ دارای دقتی برابر ۹۹ ۳۸٪ و حساسیت روش پیشنهادی برابر ۹۹ ۲۶٪ است روش پیشنهادی در تشخیص حملات فیشینگ از روش های یادگیری نظیر SVM SL ،MLP SL ،NIOSELM ،PDGAN ،SI BBA ،DL Adam ،DL RMSProp ،DL SGD دقیق تر است

کلیدواژه‌ها

حملات فیشینگ یادگیری ماشین انتخاب ویژگی هوش گروهی الگوریتم عروس دریایی

نویسندگان

تصویر مهدی محمدی مزلقانی

مهدی محمدی مزلقانی

افزایش دقت تشخیص حملات صفحات وب جعلی با الگوریتم هوش گروهیعروس دریایی و تکنیک های یادگیری ماشین

تصویر ایمان عطار زاده

ایمان عطار زاده

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی

تصویر رضا روان مهر

رضا روان مهر

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی

شیوه ارجاع

محمدی مزلقانی، مهدی و عطار زاده، ایمان و روان مهر، رضا،1401،افزایش دقت تشخیص حملات صفحات وب جعلی با الگوریتم هوش گروهیعروس دریایی و تکنیک های یادگیری ماشین،اولین کنفرانس بین المللی و ششمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوع�

ارائه‌شده در

پوستر مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی8 اسفند 1402 · اهواز
ادامه مسیر پژوهش

مقالات مرتبط

مقاله کنفرانسی سال ۱۴۰۱ ۱,۲۴۶ مشاهده

تشخیص تومور مغزی با رویکرد یادگیری عمیق و مکانیزم توجه با استفاده از تصاویر چندوجهیMRI

شناسایی زودهنگام و موفقیت آمیز تومورهای مغزی نقش مهمی در بهبود نتایج درمان و بقای بیمار دارد در حال حاضر…

ام آر آییادگیری عمیقتومور مغزی
مقاله کنفرانسی سال ۱۴۰۲ ۹۸۴ مشاهده

مروری بر تکنیک های هوش مصنوعی در خودروهای الکتریکی خودران

سیستم های رانندگی خودکار ADS دامنه ای جدید برای صنعت خودرو باز کرده و امکانات نوینی را برای حمل ونقل آین…

LiDARسیستم های خودرانوسایل نقلیه خودران
مقاله کنفرانسی سال ۱۴۰۲ ۹۸۴ مشاهده

مقایسه عملکرد دو مدل شبکه عصبی عمیق BiLSTM و CNN در پیش بینی قیمت سهام (مطالعه موردی: بورس اوراق بهادار تهران)

شبکه های عصبی به عنوان یک پیشرفت تکنولوژیک در زمینه یادگیری عمیق به ویژه در پردازش داده هایساختار بافته…

یادگیری عمیقشبکه های عصبیپیش بینی قیمت سهام
مقاله کنفرانسی سال ۱۴۰۱ ۹۴۲ مشاهده

مروری بر سیستم های توصیه گر مبتنی بر گراف دانش

در سال های اخیر با توجه به رشد روزافزون حجم داده ها در بسترهای مختلف، استفاده از سیستم توصیه گر برای کمک…

گراف دانشفاکتورسازی ماتریسسیستم های توصیه گر
مقاله کنفرانسی سال ۱۴۰۱ ۸۰۸ مشاهده

بهبود روش LIME با نمونه برداری هوشمند و غیر قطعی

LIME یکی از محبوب ترین مدل های هوش مصنوعی توضیح پذیر XAI ، است که سعی در شفاف سازی دلایل تصیم گیری مدل ه…

ثباتوفاداریروشLIME
مقاله کنفرانسی سال ۱۴۰۱ ۷۶۵ مشاهده

سامانه توصیه گر مبتنی بر گراف دانش با استفاده از شبکه عصبی کانولوشن

استفاده از گراف دانش به عنوان اطلاعات جانبی در سامانه های توصیه گر مدرن به طور گسترده افزایش پیدا کرده ا…

گراف دانشسامانه توصیه گرشبکه عصبی کانولوشن