|
چکیده
|
فیشینگ یک جرم سایبری است که شامل استفاده از ایمیل ها، پیام ها و وب سایت های جعلی برای سرقت اطلاعات حساس مانند رمز عبور، جزئیات کارت اعتباری و سایر داده های شخصی است. با رشد اینترنت و تراکنش های آنلاین، حملات فیشینگ به طور فزاینده ای پیچیده شده اند و شناسایی و اجتناب از آنها برای افراد دشوار شده است. ازاین رو پژوهشگران تلاش-های زیادی برای شناسایی و مقابله با این گونه حملات داشته اند. تشخیص وبسایت های فیشینگ یکی از چالش های مهم امنیت سایبری محسوب می شود (Khonji et al., 2014). تحقیقات اخیر نشان داده اند که روش های یادگیری ماشین می توانند در شناسایی اینگونه حملات مؤثر باشند (Ali, 2017; Dutta, 2021). در میان رویکردهای مختلف، یادگیری عمیق به دلیل توانایی در استخراج خودکار ویژگی ها، نتایج امیدوارکننده ای ارائه کرده است (Yi et al., 2018).هدف این تحقیق، بررسی روش های شناسایی وب سایت فیشینیگ با استفاده از الگوریتم های یادگیری ماشین می باشد. یادگیری ماشینی می-تواند ابزار قدرتمندی در تشخیص وب سایت های فیشینگ باشد. با آموزش الگوریتم های یادگیری ماشین بر روی مجموعه داده بزرگی از وب سایت های قانونی و تقلبی، الگوریتم ها می توانند تمایز بین این دو را بیاموزند. با استفاده از یادگیری ماشین، می توان سیستم های خودکاری برای تشخیص فیشینگ طراحی کرد که دقت بالایی دارند. روش های سنتی تشخیص فیشینگ عمدتاً بر تحلیل ویژگی های استاتیک متکی بودند (Jain & Gupta, 2017). اما مطالعات جدیدتر نشان داده اند که ترکیب روش های مختلف یادگیری ماشین می تواند دقت تشخیص را بهبود بخشد (Bhavani et al., 2022). به ویژه، استفاده از معماری های ترکیبی مانند CNN-LSTM نتایج قابل توجهی در شناسایی وبسایت های مخرب داشته است
. (Alshingiti et al., 2023).
|