بهبود عملکرد سیستم های تشخیص حملات فیشینگ مبتنی بر هم افزایی شبکه عصبی مصنوعی و الگوریتم بهینه سازی حسابی

حملات فیشینگ نوعی از جرائم سایبری است که در سالهای اخیر رشد کرده است . حملات فیشینگ اطلاعات کاربران را می دزدند یا نرمافزارهای مخرب را دانلود و نصب می کنند. شناسایی آنها سخت است زیرا مهاجمان می توانند یک پیام فیشینگ طراحی کنند که برای کاربر قانونی به نظر برسد. در روش پیشنهادی برای دسته بندی و تشخیص حملات فیشینگ از شبکه عصبی MLP استفاده می شود. در روش پیشنهادی برای یافتن وزنهای بهینه از الگوریتم AOA استفاده می شود. در روش پیشنهادی متغیری که الگوریتم بهینه سازی حسابی می دهد، W ها (پارامترهای وزنها و بایاسهای شبکه عصبی ) هستند. تابع هزینه شامل 'MSE'، 'RMSE' و 'Accuracy' هستند. روش پیشنهادی (MLP-AOA) که از ترکیب شبکه عصبی MLP و الگوریتم AOA استفاده کرده است ، نتایج بالاتری را کسب نموده است . ماتریس درهم ریختگی در این سه شکل گواه بر ترکیب مناسب برای روش پیشنهادی و بهبود نتایج نسبت به زمانی است که به صورت تکی از الگوریتم ها استفاده شود. همچنین روش پیشنهادی نتایج ROC بالاتری را کسب نموده است . در این حالت ، به این معنی است که روش پیشنهادی کلاس نمونه را به درستی پیش بینی کرده است . هفت دسته بند مختلف مانند NB، LR، SVM، KNN، AdaBoost، MP، J۴۸ را روی این مجموعه داده اعمال کرده اند. هدف از این آزمایش تعیین بهترین دسته بند برای تشخیص فیشینگ در میان دسته بندهای مختلف یادگیری ماشین بوده است .

کلیدواژه ها:

حملات فیشینگ ، شبکه عصبی MLP ، الگوریتم AOA