تشخیص فیشینگ در لایه شبکه با تحلیل همزمان URL، گواهی SSL و الگوی بسته ها

هدف: حملات فیشینگ به عنوان یکی از رایج ترین تهدیدات امنیت سایبری، با استفاده از روش های فریبنده و مهندسی اجتماعی، همواره در حال تکامل هستند. هدف این پژوهش، ارائه یک سیستم تشخیص هوشمند در لایه شبکه است که برخلاف روش های سنتی مبتنی بر لیست سیاه، بر تحلیل همزمان ویژگی های چندگانه برای شناسایی سایت های مخرب تمرکز دارد.روش شناسی: در این مقاله، یک مدل ترکیبی ارائه شده است که سه لایه داده ای مختلف را تحلیل می کند: ۱) تحلیل ساختاری و معنایی آدرس های URL، ۲) اعتبارسنجی و بررسی ویژگی های فنی گواهی های SSL/TLS، و ۳) تحلیل ترافیک و الگوی جریان بسته ها (Packet Patterns) با استفاده از الگوریتم های یادگیری ماشین. این رویکرد چندبعدی اجازه می دهد تا حتی در صورت استفاده مهاجم از دامنه های معتبر یا پروتکل های امن (HTTPS)، ماهیت فیشینگ شناسایی شود.یافته ها: نتایج آزمایش ها بر روی مجموعه داده های استاندارد نشان می دهد که ادغام تحلیل گواهی دیجیتال و الگوی بسته ها با تحلیل URL، نرخ مثبت کاذب (False Positive) را به شکل چشم گیری کاهش داده و دقت تشخیص را در مقایسه با مدل های تک بعدی ارتقا می بخشد. همچنین، این مدل در مواجهه با حملات فیشینگ روز صفر (Zero-day) عملکرد پایداری از خود نشان داده است.نتیجه گیری: تحلیل همزمان در لایه شبکه، سطح حفاظتی بالاتری را فراهم می کند و می تواند به عنوان یک ابزار کارآمد در دیواره های آتش (Firewalls) و سیستم های تشخیص نفوذ (IDS) برای مقابله با تهدیدات پیشرفته سایبری مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص فیشینگ ، لایه شبکه ، تحلیل URL ، گواهی SSL/TLS ، الگوی بسته ها ، یادگیری ماشین ، امنیت سایبری.