یک رویکرد مبتنی بر انتخاب ویژگی با یادگیری انسان در شناسایی هوشمندانه حملات فیشینگ

یکی از چالش های اینترنت، حملات فیشینگ بر علیه کاربران آنلاین و سرقت اطلاعات آنها است. در حملات فیشینگ سایتهای جعلی به جای سایتهای اصلی به کاربران معرفی شده تا اطلاعات کاربران را مورد سرقت قرار دهند. در حملات فیشینگ با روشهای فریب مانند مهندسی اجتماعی کاربران اینترنتی فریب داده می شوند و لینکهای جعلی از طریق ایمیل یا شبکه های اجتماعی برای آنها ارسال می شود. یک روش کارآمد برای تشخیص حملات فیشینگ استفاد از روشهای یادگیری ماشین است. چالش روشهای یادگیری ماشین در عدم انتخاب ویژگی و یادگیری روی همه ویژگی های مهم و غیر مهم است. در این مقاله برای تشخیص حملات فیشینگ یک روش ترکیبی بر اساس الگوریتم هوش گروهی و یادگیری ماشین ارایه شده است. در روش پیشنهادی از الگوریتم یادگیری انسان برای انتخاب ویژگی و بهینه سازی پارامترهای شبکه عصبی استفاده شده است. در فاز بعدی چند روش یادگیری ماشین با مکانیزم رای گیری اکثریت برای تشخیص صفحات جعلی استفاده می شود. آزمایشات روی مجموعه داده فیشینگ و در نرم افزار متلب پیاده سازی شده است. روش پیشنهادی در تشخیص حملات فیشینگ دارای دقت، صحت و حساسیت به ترتیب برابر 99.39%، 99.12% و 99.31% است. مکانیزم رای گیری باعث شده روش پیشنهادی دقت بیشتری نسبت به درخت تصمیم گیری، شبکه عصبی چند لایه و ماشین بردار پشتیبان داشته باشد. روش پیشنهادی در تشخیص حملات فیشینگ نسبت به روشهای یادگیری عمیق مانند odae-wpdc، dl-sgd، dl-rmsprop، dl-adam، si-bbat، pdgan، nioselm دارای دقت بیشتری است. ارزیابی ها نشان داد روش پیشنهادی در تشخیص حملات فیشینگ نسبت به روش انتخاب ویژگی وراپر در ترکیب با جنگل تصادفی، درخت تصمیم گیری، نزدیکترین همسایه و شبکه بیزین دقت بیشتری دارد.