بهبود تشخیص وبگاه های جعل شده با استفاده از طبقه بندی کننده شبکه عصبی مصنوعی چند لایه با الگوریتم بهینه سازی شیرمورچه

در حملات فیشینگ یک وبگاه جعلی از روی وبگاه اصلی جعل میگردد که ظاهر بسیار شبیه به وبگاه اصلی دارد. فیشر یا سارق آنلاین برای هدایت کاربران به این وبگاه ها، معمولا لینک های جعلی را در ایمیل قرار داده و برای قربانیان خود ارسال نموده و با روش های مهندسی اجتماعی سعی در فریب کاربران و مجاب نمودن آنها برای کلیک روی لینک های جعلی دارد. حملات فیشینگ زیان مالی قابل توجه ای دارند و بیشتر روی بانک ها و درگاه های مالی متمرکز هستند. روش های یادگیری ماشین یک روش موثر برای تشخیص حملات فیشینگ است اما این مشروط به انتخاب بهینه ویژگی است. انتخاب ویژگی باعث می شود فقط ویژگی های مهم به عنوان ورودی یادگیری در نظر گرفته شوند و خطای تشخیص حملات فیشینگ کاهش داده شود. در روش پیشنهادی برای کاهش دادن خطای تشخیص حملات فیشینگ یک طبقه بندی کننده شبکه عصبی مصنوعی چند لایه استفاده شده که فاز انتخاب ویژگی آن با الگوریتم بهینه سازی شیرمورچه انجام می شود. ارزیابی و آزمایش ها روی مجموعه داده rami که مرتبط با فیشینگ است نشان می دهد روش پیشنهادی دارای دقتی در حدود 98.53 % است و نسبت به شبکه عصبی مصنوعی چند لایه خطای کمتری دارد. روش پیشنهادی در تشخیص حملات فیشینگ از روش های یادگیری bpnn ، svm ، nb ، c4.5 ، rf و knn با سازوکار انتخاب ویژگی توسط الگوریتم pso دقت بیشتری دارد.

fake websites detection improvement using multi-layer artificial neural network classifier with ant lion optimizer algorithm

in phishing attacks, a fake site is forged from the main site, which looks very similar to the original one. to direct users to these sites, phishers or online thieves usually put fake links in emails and send them to their victims, and try to deceive users with social engineering methods and persuade them to click on fake links. phishing attacks have significant financial losses, and most attacks focus on banks and financial gateways. machine learning methods are an effective way to detect phishing attacks, but this is subject to selecting the optimal feature. feature selection allows only important features to be considered as learning input and reduces the detection error of phishing attacks. in the proposed method, a multilayer artificial neural network classifier is used to reduce the detection error of phishing attacks, the feature selection phase is performed by the ant lion optimization (alo) algorithm. evaluations and experiments on the rami dataset, which is related to phishing, show that the proposed method has an accuracy of about 98.53% and has less error than the multilayer artificial neural network. the proposed method is more accurate in detecting phishing attacks than bpnn, svm, nb, c4.5, rf, and knn learning methods with feature selection mechanism by pso algorithm.