افزايش دقت شناسايي صفحات جعلي وب با استفاده از الگوريتم بهينه سازي كفتار و شبكه عصبي مصنوعي

Improving the accuracy of Website Phishing Detection through Spotted Hyena Optimization Algorithm and Artificial Neural Network

ايجاد صفحات جعلي در محيط وب يا فيشينگ از جمله حملات سايبري است كه نيازمند ملاحظات فرماندهي و كنترل مي باشد. در حملات فيشينگ افراد به سمت صفحات جعلي كه توسط فيشر يا سارق ساخته شده هدايت مي­ شوند و اطلاعات مهم آن­ها توسط فيشر به سرقت مي رود. الگوريتم هاي يادگيري ماشين و داده ­كاوي، الگوريتم­ هاي رايج براي طبقه­ بندي و تشخيص وب­ سايت­هاي جعلي هستند. طبقه ­بندي وب ­سايتها بر اساس ويژگي­هايي كه از آن سايت استخراج مي ­شود صورت مي­ گيرد. بنابراين انتخاب ويژگي تأثير زيادي در نتايج طبقه ­بندي دارد. امروزه الگوريتم­ هاي فراابتكاري متعددي جهت انتخاب ويژگي و بهينه سازي عملكرد الگوريتم­هاي طبقه بندي ارائه شده اند. در مقاله حاضر، الگوريتم فراابتكاري كفتار به منظور انتخاب ويژگي­هاي مناسب براي طبقه­بندي وب­ سايت­هاي جعلي مورد استفاده قرار گرفته است. در اين راستا، بهبودي بر الگوريتم فرا ابتكاري كفتار پيشنهاد شده و الگوريتم كفتار بهبوديافته (ISHOA)، ويژگي­هاي مناسب را از ميان كل ويژگيهاي موجود انتخاب كرده و به شبكه عصبي مصنوعي ارسال مي كند تا در جهت طبقه بندي وب­ سايتها مورد استفاده قرار گيرند. نتايج پياده سازي الگوريتم پيشنهادي نشان مي ­دهد كه اين الگوريتم با دقت نهايي 98/64% نسبت به الگوريتم استاندارد بهينه سازي كفتار عملكرد بهتري داشته است. علاوه بر اين، نتايج حاكي از برتري ISHOA نسبت به سه الگوريتم فرا ابتكاري بهينه سازي ذرات، كرم شب تاب و خفاش است. همچنين، الگوريتم پيشنهادي با تعدادي از الگوريتم ­هاي طبقه­ بندي ارائه شده در پژوهش­هاي پيشين روي مجموعه داده مشابه، مقايسه شده و برتري آن نشان داده شده است.

One of the major challenges in cyber space is the existence of fake or phishing pages that needs the attention of command control systems. In phishing attacks, people are directed to fake pages and their important information is stolen by a thief or phisher. Machine learning and data mining algorithms are the widely used algorithms for phishing websites classification. Feature selection has a great influence on the classification results. In this research, an improved spotted Hyena optimization algorithm (ISHOA) is proposed to select appropriate features for classifying phishing websites through artificial neural network. The proposed ISHOA outperformed the standard spotted Hyena optimization algorithm with 98.64% better accuracy. In addition, the results indicate the superiority of ISHOA to three other meta-heuristic algorithms including: particle swarm optimization, firefly algorithm, and bat algorithm. The proposed algorithm is also compared with a number of classification algorithms proposed before on the same dataset and its dominance is showed.