|
Abstract
|
فيشينگ يك جرم سايبري است كه شامل استفاده از ايميل ها، پيام ها و وب سايت هاي جعلي براي سرقت اطلاعات حساس مانند رمز عبور، جزئيات كارت اعتباري و ساير داده هاي شخصي است. با رشد اينترنت و تراكنش هاي آنلاين، حملات فيشينگ به طور فزاينده اي پيچيده شده اند و شناسايي و اجتناب از آنها براي افراد دشوار شده است. ازاين رو پژوهشگران تلاش-هاي زيادي براي شناسايي و مقابله با اين گونه حملات داشته اند. تشخيص وبسايت هاي فيشينگ يكي از چالش هاي مهم امنيت سايبري محسوب مي شود (Khonji et al., 2014). تحقيقات اخير نشان داده اند كه روش هاي يادگيري ماشين مي توانند در شناسايي اينگونه حملات مؤثر باشند (Ali, 2017; Dutta, 2021). در ميان رويكردهاي مختلف، يادگيري عميق به دليل توانايي در استخراج خودكار ويژگي ها، نتايج اميدواركننده اي ارائه كرده است (Yi et al., 2018).هدف اين تحقيق، بررسي روش هاي شناسايي وب سايت فيشينيگ با استفاده از الگوريتم هاي يادگيري ماشين مي باشد. يادگيري ماشيني مي-تواند ابزار قدرتمندي در تشخيص وب سايت هاي فيشينگ باشد. با آموزش الگوريتم هاي يادگيري ماشين بر روي مجموعه داده بزرگي از وب سايت هاي قانوني و تقلبي، الگوريتم ها مي توانند تمايز بين اين دو را بياموزند. با استفاده از يادگيري ماشين، مي توان سيستم هاي خودكاري براي تشخيص فيشينگ طراحي كرد كه دقت بالايي دارند. روش هاي سنتي تشخيص فيشينگ عمدتاً بر تحليل ويژگي هاي استاتيك متكي بودند (Jain & Gupta, 2017). اما مطالعات جديدتر نشان داده اند كه تركيب روش هاي مختلف يادگيري ماشين مي تواند دقت تشخيص را بهبود بخشد (Bhavani et al., 2022). به ويژه، استفاده از معماري هاي تركيبي مانند CNN-LSTM نتايج قابل توجهي در شناسايي وبسايت هاي مخرب داشته است
. (Alshingiti et al., 2023).
|