|
عنوان
|
تشخیص وبسایتهای فیشینگ بر اساس مدل‌های یادگیری ماشین مبتنی بر محتوا
|
|
نوع پژوهش
|
پایان نامه های تقاضا محور و غیر تقاضا محور
|
|
کلیدواژه‌ها
|
وب‌سایت فیشینگ، الگوریتم اجتماع ذرات دودویی، الگوریتم Apriori، قوانین
|
|
چکیده
|
حملات "فیشینگ" به عنوان یکی از مهمترین تهدیدها در اینترنت و شبکه‌های اجتماعی شناخته می‌شود. در واقع، وبسایتهای فیشینگ نقطه شروع حملات آنلاین به‌حساب می‌آیند. مهاجمان، صفحات وب مخرب را با تقلید از وبسایتهای قانونی ایجاد کرده و برای دستیابی به اطلاعات حساس اشخاص و سازمان‌ها، حملات خود را در قالب این وبسایتهای مخرب انجام می‌دهند. بنابراین، شناسایی این وبسایتهای مورد توجه محققان قرار گرفته‌است . راه‌حل‌های گوناگونی برای آن‌ها پبشنهاد شده‌است. در این پژوهش، با استفاده از دو مجموعه داده UCI و Mendely، یک روش مبتنی بر محتوا برای تشخیص وبسایتهای مخرب ارائه‌می‌شود. در ابتدا، با استفاده از الگوریتم اجتماع ذرات دودویی، ویژگی‌های بهینه انتخاب می‌شوند و در مرحله بعدی بر اساس ویژگی‌های انتخاب شده، قوانین انجمنی با استفاده از الگوریتم اپریوری استخراج می‌شوند. در نهایت یک الگوریتم ترکیبی ارائه می‌شود که با استفاده از قوانین انجمنی بهینه و الگوریتم جنگل تصادفی وبسایتهای فیشینگ و قانونی را با دقت بالا و نرخ خطای پایین طبقه‌بندی می‌کند. مقایسه‌ی نتایج به‌دست‌‌آمده با روش‌های قبلی نشان می‌دهد این روش از عملکرد بهتری برخوردار است.
|
|
پژوهشگران
|
مریم امیری (استاد مشاور)، وحید رافع (استاد راهنما)، فاطمه نعیمی (دانشجو)
|