شناسایی درگاه های جعلی پرداخت در وب با مکانیزم انتخاب ویژگی توسط الگوریتم بهینه سازی گرگ خاکستری و شبکه عصبی

برای تشخیص صفحات و درگاههای پرداخت جعلی در اینترنت از روشهای یادگیری ماشین می توان استفاده نمود اما دقت این روشها به انتخاب ویژگی بستگی دارد که نیاز است بهینه انجام شود. در این پژوهش از الگوریتم بهینه سازی گرگ خاکستری برای انتخاب ویژگی مرتبط با صفحات جعلی استفاده شده تا بهینه ترین ویژگی ها برای تشخیص فیشینگ ارایه شود. پیادهسازی روش پیشنهادی در متلب نشان می دهد تابع هدف انتخاب ویژگی برای تشخیص صفحات جعلی از قانونی بر حسب تکرار الگوریتم بهینه سازی گرگ خاکستری یک روند رو به کاهش است و این کاهش به آن دلیل است که همزمان خطای تشخیص صفحات جعلی از اصلی و تعداد ویژگی های انتخاب شده در حال کاهش است . آزمایشات نشان داده که که اگر تعداد بردار ویژگی افزایش داده شود آنگاه متوسط دقت به اندازه ۶۴.۲% افزایش خواهد داشت . آزمایشات نشان می دهد متوسط دقت ، حساسیت و صحت روش پیشنهادی برای تشخیص فیشینگ و صفحات جعلی به ترتیب ۶۴.۹۹%، ۳۶.۹۸% و ۲۴.۹۸% است . آزمایشات نشان می دهد ۲۴.۹۸% از صفحات جعلی که روش پیشنهادی شناسایی نموده است واقعا جعلی بوده و فقط ۷۶.۱% نمونه ها را اشتباهی جعلی در نظر گرفته است . آزمایشات نشان داده که روش پیشنهادی در تشخیص درگاههای جعلی و صفحات جعلی در شاخص دقت ، حساسیت و صحت نسبت به شبکه عصبی مصنوعی چند لایه و شبکه عصبی بازگشتی کارایی بیشتری دارد.

کلیدواژه ها:

الگوریتم بهینه سازی گرگ خاکستری ، صفحات جعلی ، هوش گروهی ، یادگیری ماشین