شناسایی وب سایت های فیشینگ با استفاده از یادگیری عمیق چند وجهی:ترکیب تحلیل متنی، ساختاری و تصویری

با گسترش روزافزون حملات فیشینگ و پیچیده تر شدن شگردهای مهاجمان سایبری، شناسایی سایتهای فیشینگ به یکی از چالشهای حیاتی در حوزه امنیت اطلاعات تبدیل شده است. روشهای سنتی مبتنی بر فهرست سیاه و الگوریتمهای کلاسیک یادگیری ماشین، در مقابله با سایتهای فیشینگ نسل جدید، به ویژه حملات صفر روزه و سایتهای مبتنی بر روشهای فرار، با محدودیتهای جدی مواجه شده اند. در این پژوهش، یک چارچوب نوآورانه مبتنی بر یادگیری عمیق چند وجهی ارائه می گردد که با بهره گیری ترکیبی از ویژگیهای متنی (تحلیل نشانی و محتوای صفحات)، ساختاری (آناتومی و رفتار اجزا ی HTML) و تصویری (بررسی اسکرینشات سایتها)، قابلیت شناسایی دقیقتری را فراهم می آورد. معماری پیشنهادی با تلفیق شبکه های عمیق عصبی (برای پردازش تصویر)، پردازش زبان طبیعی (برای استخراج ویژگیهای معنایی-متنی) و مدل های تجزیه ساختاری، توانسته است عملکردی متمایز از نظر دقت، توان تشخیص و مقاومت در برابر حملات پیشرفته نسبت به روشهای مرسوم از خود نشان دهد. نتایج تجربی مبتنی بر چندین مجموعه داده معتبر و آزمون بر پایه سناریوهای واقعی، نشاندهنده برتری قابل توجه مدل پیشنهادی، به ویژه در شناسایی سایتهای فیشینگ جدید و پیچیده است. افزون بر این، تحلیل محدودیتها و پیشنهاد مسیرهای توسعه آتی نیز در انتهای پژوهش بحث شده است.

کلیدواژه ها:

فیشینگ ، یادگیری عمیق چندوجهی ، شبکه عصبی ، امنیت سایبری ، پردازش زبان طبیعی