2024 : 6 : 18
maryam Amiri

maryam Amiri

Academic rank: Assistant Professor
ORCID: https://orcid.org/0000-0002-7411-9552
Education: PhD.
ScopusId: 57146848900
Faculty: Engineering
Address:
Phone: 32625522

Research

Title
تشخیص سایت‌های فیشینگ با بهره‌گیری از عملیات انتخاب ویژگی و ترکیب طبقه‌بندها مبتنی بر الگوریتم عقاب طلایی
Type
Thesis
Keywords
فیشینگ، طبقه‌بندی، انتخاب‌ویژگی، یادگیری‌ماشین، الگوریتم‌های‌تکاملی، الگوریتم‌عقاب‌طلایی
Year
2022
Researchers Mahdi Rezaie(Student)، Vahid Rafeh(PrimaryAdvisor)، maryam Amiri(Advisor)

Abstract

امروزه با توسعه فناوری، تهدیدهای حوزه فضای تبادل‌اطلاعات نیز افزایش یافته است. در بین این تهدیدها، حملات فیشینگ به عنوان شاخه‌ای از حملات مهندسی اجتماعی در فریب‌دادن کاربران موفق‌تر عمل نموده است. تاکنون طبقه‌بندهای مختلفی برای مقابله با وب‌سایت‌های فیشینگ ارائه شده است. در این پژوهش جهت تشخیص سایت‌های فیشینگ از الگوریتم‌های تکاملی بهره‌گرفته شده است. الگوریتم‌ تکاملی بکار رفته در این پژوهش، الگوریتم‌عقاب‌طلایی می‌باشد. هدف از الگوریتم‌عقاب‌طلایی، انتخاب-ویژگی و ترکیب طبقه‌بندها می‌باشد. در این پژوهش جهت تشخیص سایت‌های فیشینگ از یک فرآیند چند مرحله‌ای بهره گرفته‌ شده است که این مراحل براساس تکینک‌ یادگیری‌ماشین و الگوریتم‌های‌تکاملی ابداع گردیده است. در این مراحل ابتدا پیش‌پردازش صورت گرفته است. در گام دوم این عملیات انتخاب‌ویژگی صورت گرفته است. برای انتخاب زیر‌مجموعه‌ای از ویژگی‌ها از الگوریتم‌تکاملی عقاب-طلایی بهره گرفته‌شده است. در گام نهایی جهت دسته‌بندی سایت‌ها، به سایت‌های فیشینگ و غیرفیشینگ از الگوریتم‌های یادگیری‌ماشین استفاده ‌گردیده است. الگوریتم‌های بکار رفته در این پژوهش شامل الگوریتم‌های درخت‌تصمیم، ماشین‌بردار‌پشتیبان و نزدیک‌ترین همسایه می‌باشد. جهت ترکیب نتایج الگوریتم‌های دسته‌بندی پایه، بار دیگر از الگوریتم‌تکاملی عقاب‌طلایی بهره گرفته‌شده است. مجموعه‌داده-ی بکار‌رفته در این پژوهش جز مجموعه داده‌های استاندارد سایت UCI می‌باشد. معیارهای ارزیابی بکار-رفته در این پژوهش که شامل معیارهای طبقه‌بندی دقت، صحت، فراخوان و معیار F می‌باشد. جهت ارزیابی روش پیشنهادی از سه روش ارزیابی عدم‌انتخاب‌ویژگی- عدم ترکیب طبقه‌بند، عدم انتخاب-ویژگی‌–‌ترکیب طبقه‌بند، انتخاب‌ویژگی‌–‌عدم‌ترکیب طبقه‌بند استفاده گردیده است. نتایج نشان داد که، دقت روش‌های پیشنهادی نسبت به روش‌ عدم‌انتخاب‌ویژگی‌– عدم‌ترکیب‌طبقه‌بند 10.25 درصد بیشتر و نسبت به انتخاب‌ویژگی‌–‌عدم‌ترکیب‌طبقه‌بند 2.75 درصد بیشتر می‌باشد که این نشان‌دهنده‌ی برتری عملیات انتخاب‌ویژگی و ترکیب‌طبقه‌بند می‌باشد.