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
نویسندگان
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
مجموعه مقالات دومین کنفرانس بین المللی و هفتمین کنفرانس ملی کامپیوتر، فناوری اطلاعات و کاربردهای هوش مصنوعی8 اسفند 1402 · اهواز