فهرست نشریات علمی دسترسی آزاد ایران

حملات فیشینگ تله‌گذاری نوعی حمله مبتنی بر فریب است که مبتنی بر مهندسی اجتماعی یا حملات بدافزار است. اخیراً، تکنیک‌های یادگیری ماشین برای شناسایی فیشینگ نتایج امیدوارکننده‌ای را نشان داده‌اند. یک چالش برای شناسایی صفحات جعلی، انتخاب ویژگی‌های یادگیری ماشین و انتخاب بهینه ویژگی‌ها برای کاهش خطای طبقه‌بندی و زمان اجرا است. استفاده از هستی‌شناسی صفحه وب یک رویکرد عملی برای شناسایی یک حمله فیشینگ است. این مقاله یک مدل ترکیبی را ارائه می‌کند که ویژگی‌های ضروری مربوط به هستی‌شناسی صفحه وب را با استفاده از الگوریتم بهینه‌سازی هریس هاکس [1] برای یادگیری ماشین برای شناسایی حملات فیشینگ شناسایی می‌کند. روش پیشنهادی از الگوریتم هریس‌هاکس برای انتخاب ویژگی‌ها و از هستی‌شناسی صفحات وب برای کاهش خطاهای طبقه‌بندی در تشخیص حملات فیشینگ استفاده می‌کند. نتایج نشان داده‌اند که روش پیشنهادی در تشخیص حملات دقیق‌تر از روش‌های یادگیری ماشینی مانند شبکه‌عصبی مصنوعی، درخت‌ تصمیم‌ و جنگل‌ تصادفی است. علاوه ‌بر این، روش پیشنهادی دقیق‌تر 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 [2] ۰۹۸/۰ است. 1. Harris-Hawks Optimization(HHO) 2. RMSE