مقاله کنفرانسی سال ۱۴۰۱ فارسی

شناسایی صفحات جعلی و حملات فیشینگ در اینترنت با یادگیری عمیق مبتنی بر رفتار اگوریتم عروس دریایی

چکیده مقاله

حملات فشینگ یکی از چالش های امنیتی اینترنت است حملات فیشینگ توسط وب سایت های جعلی در اینترنت به وقوع می پیوند حملات فیشینگ دارای یک چرخه است در مرحله اول یک وب جعلی در اینترنت بارگذاری می شود در مرحله دوم لینک صفحات جعلی از طریق ایمیل یا شبکه اجتماعی برای قربانیان ارسال می شود قربانیان در بیشتر موارد به ماهیت لینک های جعلی توجه نمی کنند وفریب هکر را خورده سپس وارد صفحات جعلی وب می شوند صفحات جعلی بسیار شبیه به صفحات اصلی است و از این جهت کاربران را فریب می دهد و اطلاعات آن ها مانند نام کاربری و پسورد کاربران را سرقت می نمایند تمرکز حملا فیشینگ بیشتر روی وب سایت های مالی و درگاه های پرداخت است و این جهت زیان حملات فیشینگ قابل توجه است در بیشتر پژوهش ها برای تشخیص حملات فیشینگ از روش های یادگیری ماشین و یادگیری عمیق در ترکیب با روش های انتخاب ویژگی استفاده می شود چالش تشخیص حملات فیشینگ با روش های انتخاب ویژگی عدم ترکیب روش های انتخاب ویژگی و یادگیری ماشین با روش های یادگیری عمیق است ترکیب روش های انتخاب ویژگی و یادگیری ماشین و یادگیری عمیق باث می شود خطای تشخیص حملا کاهش داده شود در این مقاله برای تشخیص حملات فیشینگ یک روش سه مرحله ایب معرفی شده است در فاز اول از الگوریتم عروس دریایی برای انتخاب ویژگی استفاده می شود در رفاز دوم با روش انتخاب ویژگی IG ،ویژگی های انتخاب می شوند که رتبه بیشتری از یک آستانه را داشته باشند در فاز سوم روش یادگیری عمیق LSTMدر ترکیب با دو روش ماشین بردار پشتیبان و جنگل تصادفی با مکانیزم رای گیری اکثریت برای تشخیص حملات فیشینگ استفاده می شود آزمایشات نشان می دهد دقت،حساسیت و صحت روش پیشنهادی در تشخیص حملات فیشینگ به ترتیب برابر ۹۹ ۳۶٪،۹۹ ۳۱٪ و ۹۹ ۳۲٪ روش پیشنهدی نسبت به روش QLSTM،Bi LSTM وRF دارای دقت بیشتری در تشخیص حملات فیشینگ است

کلیدواژه‌ها

صفحات جعلی حملات فیشینگ یادگیری عمیق انتخاب ویژگی سرقت اطلاعت

نویسندگان

تصویر Nahid Ebrahimizade

Nahid Ebrahimizade

Department of Computer Engineering, Imam Reza International University, Mashhad, Iran

شیوه ارجاع

Ebrahimizade، Nahid و Sargazi، Alireza،1401،شناسایی صفحات جعلی و حملات فیشینگ در اینترنت با یادگیری عمیق مبتنی بر رفتار اگوریتم عروس دریایی،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