بهبود تشخیص وب سایت های فیشینگ با استفاده از مدل های یادگیری ماشین و یادگیری عمیق

حملات فیشینگ از تهدیدات مهم امنیت سایبری محسوب می شوند که کاربران اینترنت را هدف قرار داده و اطلاعات محرمانه آن ها را سرقت می کنند. در این پژوهش، یک مدل ترکیبی مبتنی بر یادگیری عمیق با به کارگیری پیش پردازش داده ها، متعادل سازی داده ها و کاهش ابعاد ارائه شده است. نوآوری اصلی این مدل، در ترکیب همزمان چندین تکنیک پیشرفته برای متعادل سازی داده ها، کاهش ابعاد و انتخاب ویژگی ها نهفته است که توانسته مشکلات رایج در داده های نامتوازن را برطرف کند و دقت مدل را به طور چشمگیری افزایش دهد. مجموعه داده مورد استفاده، شامل ویژگی های کلیدی وب سایت ها است. پس از اعمال مراحل پیش پردازش داده ها، انتخاب ویژگی و کاهش ابعاد، مدل های مختلفی از جمله درخت تصمیم، k- نزدیک ترین همسایه و جنگل تصادفی پیاده سازی شدند. به منظور متعادل سازی توزیع کلاس ها، از روش هایی همچون افزایش نمونه سازی مصنوعی اقلیت، نمونه سازی مصنوعی تطبیقی و افزایش نمونه برداری تصادفی استفاده شده است. همچنین، روش های انتخاب ویژگی مبتنی بر کسب اطلاعات و کاهش ابعاد به کار گرفته شدند تا کارایی مدل ها بهبود یابد. نتایج آزمایش ها نشان می دهد که مدل های ترکیبی ارائه شده در این پژوهش، از دقت بالایی در تشخیص وب سایت های فیشینگ برخوردار هستند. مدل شبکه عصبی بازگشتی پیشنهادی با استفاده از روش اعتبارسنجی متقابل به دقت ۹۹٪ در شناسایی این وب سایت ها دست یافته است که در مقایسه با روش های سنتی، عملکرد برتر و کارآمدتری را نشان می دهد.

کلیدواژه ها:

فیشینگ ، یادگیری ماشین ، یادگیری عمیق ، انتخاب ویژگی ، طبقه بندی وب سایت ها.