تشخیص فیشینگ بر اساس الگوریتم بهینه سازی هریس هاکس و هستی شناسی مبتنی بر وب

حملات فیشینگ تله گذاری نوعی حمله مبتنی بر فریب است که مبتنی بر مهندسی اجتماعی یا حملات بدافزار است. اخیرا، تکنیک های یادگیری ماشین برای شناسایی فیشینگ نتایج امیدوارکننده ای را نشان داده اند. یک چالش برای شناسایی صفحات جعلی، انتخاب ویژگی های یادگیری ماشین و انتخاب بهینه ویژگی ها برای کاهش خطای طبقه بندی و زمان اجرا است. استفاده از هستی شناسی صفحه وب یک رویکرد عملی برای شناسایی یک حمله فیشینگ است. این مقاله یک مدل ترکیبی را ارائه می کند که ویژگی های ضروری مربوط به هستی شناسی صفحه وب را با استفاده از الگوریتم بهینه سازی هریس هاکس[۱] برای یادگیری ماشین برای شناسایی حملات فیشینگ شناسایی می کند. روش پیشنهادی از الگوریتم هریس هاکس برای انتخاب ویژگی ها و از هستی شناسی صفحات وب برای کاهش خطاهای طبقه بندی در تشخیص حملات فیشینگ استفاده می کند. نتایج نشان داده اند که روش پیشنهادی در تشخیص حملات دقیق تر از روش های یادگیری ماشینی مانند شبکه عصبی مصنوعی، درخت تصمیم و جنگل تصادفی است. علاوه بر این، روش پیشنهادی دقیق تر از چندین روش ترکیبی انتخاب ویژگی، مانند تحلیل مولفه اصلی همراه با درخت تصمیم، جنگل تصادفی و شبکه بیزی است. نتایج ارزیابی نشان داد که روش پیشنهادی دارای دقت ۶۸/۹۹ درصد است در حالی که جذر میانگین مربعات خطا[۲] ۰۹۸/۰ است.۱.    Harris-Hawks Optimization(HHO)۲.    RMSE

کلیدواژه ها:

هستی شناسی ، تشخیص فیشینگ ، الگوریتم بهینه سازی هریس هاکس ، انتخاب ویژگی ، صفحه وب جعلی