طراحی سیستم شناسایی محتوایی صفحات مخرب وب با استفاده ازویژگیهای جدیدبرپایه روشهای یادگیری ماشین

امروزه با گسترش ابزارواستانداردهای طراحی و توسعه صفحات وب حملات مبتنی برکدهای مخرب وب افزایش یافته است توسعه های اخیردراستانداردهای وب باعث شده است که مهاجمان این کدهای مخرب را به روشهای جدیدتری مخفی کنند و ازفیلترهای امنیتی شناسایی کدهای مخرب فرارکنند دراین پژوهش به شناسایی صفحات مخرب با استفاده ازروشهای یادگیری ماشین می پردازیم اکثر روشهای ارایه شده برای شناسایی محتوایی صفحات مخرب وب برپایه روشهای یادگیری ماشین بازه یمحدودی ازحملات و ویژگیهای صفحات مخرب رابررسی می کنندویاویژگیهای ارایه شده توسط آنها با اخرین ابزار موجوددرتوسعه وب سازگارنمی باشد وباعث میشود که روشهای آنها ناقص باشد دراین پژوهش سعی کرده ایم که مجموعه کاملی ازویژگیهای HTML شامل ویژگیهای HTML5 و JavaScript شامل کتابخانه غنی توسعه Jquery وVBScriptو ویژگیهای حملات XSS راشناسایی کنیم درهمین راستا فیلترهای زیادی برای شناسایی این ویژگیها و استخراج آن ازصفحات وب طراحی کرده ایم نتایج بدست امده ازپیاده سازی و شبیه سازی نشان میدهد که صفحات مخرب وب با استفاده ازویژگیهای پیشنهادشده دراین مقاله باصحت 95.77 درصدبا استفاده ازالگوریتم BF-Tree و بهبود 4.75 درصدی نسبت به ویژگیهای ارایه شده درکارهای قبلی شناسایی میشوند درپایان رتبه بندی ازمهمترین ویژگیهای تاثیر گذاربرای شناسایی یک صفحه الوده وب بیان گردیده است

کلیدواژه ها:

صفحت مخرب وب ، ویژگی ، یادگیری ماشین ، محتوا ، مهاجم