تشخیص حمالت فیشینگ بانکی با رویکرد هوش گروهی و تئوری بازی

در عصر دیجیتال و بانکداری نوین، استفاده گسترده از خدمات آنلاین برای تراکنش های شخصی و مالی، آسایش مشتریان بانکی را به ارمغان آورده است. بانکداری نوین با وجود مزایای خود، مشتریان را در معرض تهدیدات سایبری پیچیده، به ویژه حملات فیشینگ قرار داده است. حملات فیشینگ با جعل هویت موسسات قانونی برای دسترسی به اطلاعات حساس، کاربران را فریب می دهد، که منجر به خسارات مالی، سرقت هویت و به خطر افتادن امنیت داده ها می شود. دفاع های سنتی فیشینگ معمولا بر سیستم های متمرکز تکیه می کنند که محدودیت های قابل توجهی در انطباق با تاکتیک های در حال تکامل سریع مجرمان سایبری دارند. روش های یادگیری عمیق و یادگیری ماشین نقش موثری در تشخیص حملات فیشینگ بانکی دارند اما این روش ها در صورتی کارآمد می باشند که داده های آموزشی آنها متعادل سازی شده باشد و یادگیری روی ویژگی های اصلی آنها آموزش داده شود. در این مقاله برای تشخیص دقیق حملات فیشینگ یک رویکرد انتخاب ویژگی مبتنی بر الگوریتم بهینه سازی شغال طلایی و شبکه عصبی کانولوشن یک بعدی ارایه شده است و برای متعادل سازی مجموعه داده از تئوری بازی مبتنی بر شبکه های عصبی متخاصم و GAN استفاده می شود. آزمایشات نشان می دهد روش پیشنهادی در تشخیص حملات فیشینگ در مجموعه داده نظیر UCI دارای دقت، حساسیت و صحتی به ترتیب برابر ۹۸.۸۲%، ۹۸.۳۷% و ۹۷.۹۵% است. روش پیشنهادی در تشخیص حملات فیشینگ بانکی دقت بیشتری از روش های نظیر CNN، SVM و LSTM دارد.

کلیدواژه ها:

فیشینگ ، سرقت آنلاین ، فیشینگ بانکی ، هوش گروهی ، تئوری بازی