ارائه روشی جدید برای شناسایی ایمیل‌های مخرب و فیشینگ بانکی با استفاده از الگوریتم‌های ژنتیک و جستجوی ممنوع

 همه حملات فیشینگ همواره به صورت جعل وبگاه و فیشینگ تلفنی انجام نمی‌شود. ایمیل‌ها و پیام‌هایی که ظاهراً از طرف بانک فرستاده می‌شود و از کاربر  اطلاعات دریافت می‌کنند، نیز می‌تواند حمله فیشینگ باشد. انتخاب ویژگی و انتخاب نمونه دو مسئله بسیار مهم در مرحله پیش‌پردازش داده‌ها در کشف ایمیل‌های مخرب هستند. به خصوص، در شناسایی هرزنامه‌ها که بدون کاهش داده تقریباً دقت خوبی در نتایج بدست نخواهد آمد. اکثر مقالات و تحقیقات بر روی یکی از این مسئله تمرکز کرده‌اند و کمتر مقالاتی وجود دارند که به‌صورت ترکیبی در جهت کشف ایمیل‌های مخرب کار کرده باشند. ازاین‌رو هدف از پزوهش حاضر، ارائه روشی است  که جهت کاهش داده در شناسایی ایمیل‌ها انتخاب ویژگی و نمونه را به‌صورت همزمان انجام دهد. در روش پیشنهادی  در این مقاله از الگوریتم جست‌وجوی ممنوع و الگوریتم ژنتیک به صورت ترکیبی و همزمان استفاده شده است. جهت برازندگی این روش نیز از تابع ارزیابی ماشین بردار پشتیبان بهره گرفته شد. نتایج نشان دادکه میزان صحت تشخیص شناسایی هرزنامه‌ها و ایمیل‌ها در مجموعه دادگان لاین‌اسپم و یو‌سی‌آی، 97.28 می‌باشد که نسبت به سایر الگوریتم‌های پیشنهاد شده در پژوهش‌های قبلی، دارای بیشترین مقدار ممکن بوده است.

Provide a New Way to Detect emails's Spam and Phishing and Bank Phishing Using Genetic Algorithms and Prohibited Search

Not all phishing attacks are always done in the form of website forgery and telephone phishing. Emails and messages that appear to be sent by the bank and receive information from the user can also be a phishing attack. Feature selection and sample selection are two very important issues in the data processing stage in detecting malicious emails. In particular, identifying spam without data reduction will not be nearly as accurate in the results. Most articles and research have focused on one of these issues, and there are few articles that have worked in combination to detect malicious emails. Therefore, the purpose of the present study is to provide a method to reduce the data in identifying emails by selecting features and samples simultaneously. In the proposed method in this paper, the forbidden search algorithm and the genetic algorithm are used in combination and simultaneously. For the suitability of this method, the evaluation vector machine evaluation function was used. The results showed that the detection rate of spam and e-mails in LineSpam and UCI datasets was 97.28, which was the highest possible value compared to other algorithms proposed in previous studies.