افزایش دقت تشخیص حملات صفحات وب جعلی با الگوریتم هوش گروهی عروس دریایی و تکنیکهای یادگیری ماشین

در حملات فیشینگ، یک وب سایت جعلی به جای وب سایت اصلی بارگذاری می شود و اطلاعات کاربران را مورد سرقت قرار می دهد. در حملات فیشینگ، از طریق ایمیل یا شبکه های اجتماعی لینک سایتهای جعلی برای کاربران ارسال شده و از آنها درخواست می شود که وارد سایتهای جعلی شوند و اطلاعات باارزش خود را ناخواسته در اختیار دیگران قرار دهند. حملات فیشینگ زیان قابل توجه ای به کاربران اینترنتی وارد می کند و اعتماد آنها را به زیرساختهای تجارت الکترونیک مخدودش می کند. یک روش برای تشخیص حملات فیشینگ استفاده از روشهای یادگیری ماشین است. روشهای یادگیری ماشین می توانند حملات روز صفر یا حملات جدید را شناسایی کنند. یک چالش روشهای یادگیری ماشین برای تشخیص حملات فیشینگ عدم وجود فاز انتخاب ویژگی در آنها است. عدم بکارگیری انتخاب ویژگی در روشهای یادگیری ماشین باعث می شود تا خطای طبقه بندی آنها افزایش یابد. در این مقاله برای کاهش دادن خطای تشخیص حملات فیشینگ از یک رویکرد دو مرحله ای با انتخاب ویژگی و رای-گیری اکثریت استفاده می شود. در روش پیشنهادی در فاز اول از الگوریتم بهینه سازی عروس دریایی برای انتخاب ویژگی استفاده می شود و در فاز دوم از چند روش طبقه بندی کننده برای کاهش دادن خطای تشخیص حملات فیشینگ استفاده می شود. تجزیه و تحلیل در نرم افزار متلب نشان می دهد روش پیشنهادی در تشخیص حملات فیشینگ دارای دقتی برابر 99.38% و حساسیت روش پیشنهادی برابر 99.26% است. روش پیشنهادی در تشخیص حملات فیشینگ از روش های یادگیری نظیر dl-sgd، dl-rmsprop، dl-adam، si-bba، pdgan، nioselm، mlp-sl، svm-sl دقیق تر است.