روش جدید تشخیص فیشینگ مبتنی بر ترکیب الگوریتم پنگوئن و داده‌کاوی

با دسترسی آسان به اینترنت، بسیاری از کسب و کارها فعالیت‌های خود را در شبکه‌های وابسته به اینترنت انجام می‌دهند. اما همواره مخاطرات امنیتی از جمله حملات فیشینگ این کسب و کارها را تهدید می‌کنند. تعدد ویژگی‌های صفحات وب، منجر به استفاده از روش‌های انتخاب ویژگی و ترکیب آنها با روش‌های یادگیری به منظور تشخیص فیشینگ شده است. عملکرد مناسب الگوریتم فراابتکاری پنگوئن در یافتن پاسخ بهینه، ایده اصلی این مقاله جهت بررسی نحوه عملکرد این الگوریتم در مسئله تشخیص فیشینگ بوده است. بنابراین از ترکیب الگوریتم پنگوئن در فاز انتخاب ویژگی با شبکه عصبی مصنوعی در فاز تشخیص فیشینگ استفاده شده است. برای آموزش و ارزیابی روش پیشنهادی از یک مجموعه داده با 11055 نمونه وبسایت‌های فیشینگ و عادی استفاده شده است. نتایج پیاده‌سازی در محیط متلب نشان می‌دهد با افزایش اندازه جمعیت و تعداد تکرار در الگوریتم بهینه سازی پنگوئن، مقدار متوسط تابع انتخاب ویژگی 69.57%، و شاخص rmse حدود 24.56% کاهش یافته است. همچنین روش پیشنهادی در مقایسه با شبکه عصبی مصنوعی چند لایه حدود 29.16% خطای کمتری در تشخیص فیشینگ را نشان می‌دهد.

A Novel Phishing Detection Method Based on the Combination of Penguin Algorithm and Data Mining

Recently, facility on the internet access in worldwide has caused many businesses take their activities on the internet affiliate networks. But security threats, such as phishing attacks, have always threaten these businesses. The multiplicity of web pages features has led to use of feature selection methods and their combination with machine learning methods to detect phishing. In this paper, Penguin metaheuristic algorithm and its performance are investigated to find the optimal response to phishing detection as the main contribution. Therefore, we propose a combination of Penguin algorithm in feature selection phase with artificial neural network in the phishing detection phase. Also, in order to train and evaluate our proposed method, a dataset with 11055 samples of phishing and normal websites is used. The results of our proposed method using the implementation in MATLAB software present that with increasing the population size and the number of iterations in penguin optimization algorithm, the average value of the feature selection function decreased by 69.57% and the RMSE index reduced by 24.56%. Finally, our proposed method shows about 29.16% lower error in phishing detection in comparison to multilayer artificial neural network.