ارائه الگوریتم ترکیبی یادگیری ماشین جهت شناسایی وب سایت های فیشینگ

یکی از راه های به سرقت بردن اطلاعات حساس کاربران مانند نام کاربری و رمز عبور، شماره کارت بانکی و... طراحی و ساخت وبسایتهای جعلی میباشد. به این نوع وبسایتها که با هدف خصمانه سرقت اطلاعات حساس کاربران طراحی میشوند وبسایت های فیشینگ میگویند. وبسایتهای فیشینگ با هدف فریب و به دام انداختن کاربران طراحی میشوند و فرد مجرم با هدف فریب کاربران اقدام به ساخت و طراحی وبسایت فیشینگ مطابق با وبسایت اصلی میکند به طوری که حتی کاربرانی که کمی حرفه ای تر میباشند نیز فریب خورده و اطلاعات حساسشان را از طریق این وبسایت ها در اختیار مجرمان قرار میدهند. این پژوهش با هدف تشخیص رخداد فیشینگ در وبسایتها با استفاده از روشهای انتخاب ویژگی مانند روش بسته بند و فیلتر به شناسایی ویژگیهای موثر در وبسایتهای فیشینگ میپردازد. سپس یک الگوریتم کارآمد مبتنی بر تکنیکهای یادگیری ماشین، شامل الگوریتم تقویت تطبیقی به نام RealAdaboost به عنوان الگوریتم اصلی و الگوریتم جنگل تصادفی به عنوان دسته بند استفاده میکند،معرفی میکنیم. با استفاده از روش اعتبارسنجی متقابل مجموعه داده را برای آموزش و سنجش الگوریتم پیشنهادی آماده میکنیم. الگوریتم پیشنهادی در این پژوهش با دقت بالای %۹۷/۴۴۹ وبسایتهای فیشینگ را شناسایی میکند و در مقایسه با سایر الگوریتم های مبتنی بر تکنیکهای یادگیری ماشین عملکرد بهتری را از خود نشان میدهد.