افزايش دقت تشخيص حملات صفحات وب جعلي با الگوريتم هوش گروهي عروس دريايي و تكنيكهاي يادگيري ماشين

در حملات فيشينگ، يك وب سايت جعلي به جاي وب سايت اصلي بارگذاري مي شود و اطلاعات كاربران را مورد سرقت قرار مي دهد. در حملات فيشينگ، از طريق ايميل يا شبكه هاي اجتماعي لينك سايتهاي جعلي براي كاربران ارسال شده و از آنها درخواست مي شود كه وارد سايتهاي جعلي شوند و اطلاعات باارزش خود را ناخواسته در اختيار ديگران قرار دهند. حملات فيشينگ زيان قابل توجه اي به كاربران اينترنتي وارد مي كند و اعتماد آنها را به زيرساختهاي تجارت الكترونيك مخدودش مي كند. يك روش براي تشخيص حملات فيشينگ استفاده از روشهاي يادگيري ماشين است. روشهاي يادگيري ماشين مي توانند حملات روز صفر يا حملات جديد را شناسايي كنند. يك چالش روشهاي يادگيري ماشين براي تشخيص حملات فيشينگ عدم وجود فاز انتخاب ويژگي در آنها است. عدم بكارگيري انتخاب ويژگي در روشهاي يادگيري ماشين باعث مي شود تا خطاي طبقه بندي آنها افزايش يابد. در اين مقاله براي كاهش دادن خطاي تشخيص حملات فيشينگ از يك رويكرد دو مرحله اي با انتخاب ويژگي و راي-گيري اكثريت استفاده مي شود. در روش پيشنهادي در فاز اول از الگوريتم بهينه سازي عروس دريايي براي انتخاب ويژگي استفاده مي شود و در فاز دوم از چند روش طبقه بندي كننده براي كاهش دادن خطاي تشخيص حملات فيشينگ استفاده مي شود. تجزيه و تحليل در نرم افزار متلب نشان مي دهد روش پيشنهادي در تشخيص حملات فيشينگ داراي دقتي برابر 99.38% و حساسيت روش پيشنهادي برابر 99.26% است. روش پيشنهادي در تشخيص حملات فيشينگ از روش هاي يادگيري نظير DL-SGD، DL-RMSProp، DL-Adam، SI-BBA، PDGAN، NIOSELM، MLP-SL، SVM-SL دقيق تر است.